{"id":1205,"date":"2023-07-27T07:23:11","date_gmt":"2023-07-27T07:23:11","guid":{"rendered":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/"},"modified":"2023-07-27T07:23:11","modified_gmt":"2023-07-27T07:23:11","slug":"hoofdcomponentenregressie-in-r","status":"publish","type":"post","link":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/","title":{"rendered":"Hoofdcomponentregressie in r (stap voor stap)"},"content":{"rendered":"<p><\/p>\n<hr>\n<p><span style=\"color: #000000;\">Gegeven een reeks <em>p-<\/em> voorspellingsvariabelen en een responsvariabele, gebruikt <a href=\"https:\/\/statorials.org\/nl\/meerdere-lineaire-regressie\/\" target=\"_blank\" rel=\"noopener noreferrer\">meervoudige lineaire regressie<\/a> een methode die bekend staat als de kleinste kwadraten om de resterende som van kwadraten (RSS) te minimaliseren:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>RSS = \u03a3(y <sub>i<\/sub> \u2013 \u0177 <sub>i<\/sub> ) <sup>2<\/sup><\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Goud:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>\u03a3<\/strong> : Een Grieks symbool dat <em>som<\/em> betekent<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>y <sub>i<\/sub><\/strong> : de werkelijke responswaarde voor de <sup>i-de<\/sup> waarneming<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>\u0177 <sub>i<\/sub><\/strong> : De voorspelde responswaarde op basis van het meervoudige lineaire regressiemodel<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Wanneer voorspellende variabelen echter sterk gecorreleerd zijn,<\/span> kan <a href=\"https:\/\/statorials.org\/nl\/multicollineariteitsregressie\/\" target=\"_blank\" rel=\"noopener noreferrer\">multicollineariteit<\/a> <span style=\"color: #000000;\">een probleem worden. Dit kan schattingen van modelco\u00ebffici\u00ebnten onbetrouwbaar maken en een hoge variantie vertonen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">E\u00e9n manier om dit probleem te vermijden is het gebruik van <a href=\"https:\/\/statorials.org\/nl\/regressie-van-hoofdcomponenten\/\" target=\"_blank\" rel=\"noopener noreferrer\">regressie van hoofdcomponenten<\/a> , waarbij <em>M<\/em> lineaire combinaties (zogenaamde &#8222;hoofdcomponenten&#8220;) van de oorspronkelijke <em>p-<\/em> voorspellers worden gevonden en vervolgens de kleinste kwadraten worden gebruikt om een lineair regressiemodel te passen met behulp van de hoofdcomponenten als voorspellers.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Deze zelfstudie biedt een stapsgewijs voorbeeld van het uitvoeren van regressie van hoofdcomponenten in R.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 1: Laad de benodigde pakketten<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">De eenvoudigste manier om regressie van hoofdcomponenten in R uit te voeren, is door functies in het <a href=\"https:\/\/cran.r-project.org\/web\/packages\/pls\/pls.pdf\" target=\"_blank\" rel=\"noopener noreferrer\">pls-<\/a> pakket te gebruiken.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#install pls package (if not already installed)<\/span>\ninstall.packages(\" <span style=\"color: #008000;\">pls<\/span> \")\n\n<span style=\"color: #008080;\">load pls package\n<\/span>library(pls)\n<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Stap 2: Pas het PCR-model aan<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Voor dit voorbeeld gebruiken we de ingebouwde R-dataset genaamd <strong>mtcars<\/strong> , die gegevens over verschillende soorten auto&#8217;s bevat:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view first six rows of mtcars dataset<\/span>\nhead(mtcars)\n\n                   mpg cyl disp hp drat wt qsec vs am gear carb\nMazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4\nMazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4\nDatsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1\nHornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1\nHornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2\nValiant 18.1 6 225 105 2.76 3,460 20.22 1 0 3 1\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Voor dit voorbeeld passen we een PCR-model (Principal Components Regressie) toe met <em>hp<\/em> als <a href=\"https:\/\/statorials.org\/nl\/variabelen-verklarende-reacties\/\" target=\"_blank\" rel=\"noopener noreferrer\">responsvariabele<\/a> en de volgende variabelen als voorspellende variabelen:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">mpg<\/span><\/li>\n<li> <span style=\"color: #000000;\">weergave<\/span><\/li>\n<li> <span style=\"color: #000000;\">shit<\/span><\/li>\n<li> <span style=\"color: #000000;\">gewicht<\/span><\/li>\n<li> <span style=\"color: #000000;\">qsec<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">De volgende code laat zien hoe u het PCR-model aan deze gegevens kunt aanpassen. Let op de volgende argumenten:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\"><strong>scale=TRUE<\/strong> : Dit vertelt R dat elk van de voorspellende variabelen moet worden geschaald om een gemiddelde van 0 en een standaarddeviatie van 1 te hebben. Dit zorgt ervoor dat geen enkele voorspellende variabele teveel invloed heeft in het model als deze in verschillende eenheden wordt gemeten. .<\/span><\/li>\n<li> <span style=\"color: #000000;\"><strong>validation=\u201dCV\u201d<\/strong> : Dit vertelt R om <a href=\"https:\/\/statorials.org\/nl\/k-voudige-kruisvalidatie\/\" target=\"_blank\" rel=\"noopener noreferrer\">k-voudige kruisvalidatie<\/a> te gebruiken om de modelprestaties te evalueren. Merk op dat hierbij standaard k=10 vouwen worden gebruikt. Houd er ook rekening mee dat u in plaats daarvan &#8222;LOOCV&#8220; kunt opgeven om <a href=\"https:\/\/statorials.org\/nl\/laat-een-enkele-kruisvalidatie-achter\/\" target=\"_blank\" rel=\"noopener noreferrer\">Leave-One-Out-kruisvalidatie<\/a> uit te voeren.<\/span><\/li>\n<\/ul>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#make this example reproducible\n<\/span>set.seed(1)\n\n<span style=\"color: #008080;\">#fit PCR model\n<\/span>model &lt;- pcr(hp~mpg+disp+drat+wt+qsec, data=mtcars, scale= <span style=\"color: #008000;\">TRUE<\/span> , validation=\" <span style=\"color: #008000;\">CV<\/span> \")<\/strong><\/pre>\n<h3> <span style=\"color: #000000;\"><strong>Stap 3: Kies het aantal hoofdcomponenten<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">Nadat we het model hebben aangepast, moeten we bepalen hoeveel hoofdcomponenten de moeite waard zijn om te behouden.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Om dit te doen, hoeft u alleen maar naar de testroot mean square error (test RMSE) te kijken, berekend door k-cross-validatie:<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#view summary of model fitting\n<\/span>summary(model)\n\nData: \n\tY dimension: 32 1\nFit method: svdpc\nNumber of components considered: 5\n\nVALIDATION: RMSEP\nCross-validated using 10 random segments.\n       (Intercept) 1 comp 2 comps 3 comps 4 comps 5 comps\nCV 69.66 44.56 35.64 35.83 36.23 36.67\nadjCV 69.66 44.44 35.27 35.43 35.80 36.20\n\nTRAINING: % variance explained\n    1 comp 2 comps 3 comps 4 comps 5 comps\nX 69.83 89.35 95.88 98.96 100.00\nhp 62.38 81.31 81.96 81.98 82.03\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">Er zijn twee interessante tabellen in het resultaat:<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>1. VALIDATIE: RMSEP<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Deze tabel vertelt ons de RMSE-test berekend door k-voudige kruisvalidatie. We kunnen het volgende zien:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Als we alleen de originele term in het model gebruiken, is de RMSE van de test <strong>69.66<\/strong> .<\/span><\/li>\n<li> <span style=\"color: #000000;\">Als we de eerste hoofdcomponent toevoegen, daalt de RMSE-test naar <strong>44,56.<\/strong><\/span><\/li>\n<li> <span style=\"color: #000000;\">Als we de tweede hoofdcomponent toevoegen, daalt de RMSE-test naar <strong>35,64.<\/strong><\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">We kunnen zien dat het toevoegen van extra hoofdcomponenten feitelijk resulteert in een toename van de RMSE van de test. Het lijkt er dus op dat het optimaal zou zijn om in het uiteindelijke model slechts twee hoofdcomponenten te gebruiken.<\/span><\/p>\n<p> <span style=\"color: #000000;\"><strong>2. TRAINING: % variantie uitgelegd<\/strong><\/span><\/p>\n<p> <span style=\"color: #000000;\">Deze tabel vertelt ons het variantiepercentage in de responsvariabele, verklaard door de hoofdcomponenten. We kunnen het volgende zien:<\/span><\/p>\n<ul>\n<li> <span style=\"color: #000000;\">Met alleen de eerste hoofdcomponent kunnen we <strong>69,83%<\/strong> van de variatie in de responsvariabele verklaren.<\/span><\/li>\n<li> <span style=\"color: #000000;\">Door de tweede hoofdcomponent toe te voegen, kunnen we <strong>89,35%<\/strong> van de variatie in de responsvariabele verklaren.<\/span><\/li>\n<\/ul>\n<p> <span style=\"color: #000000;\">Merk op dat we nog steeds meer variantie kunnen verklaren door meer hoofdcomponenten te gebruiken, maar we kunnen zien dat het toevoegen van meer dan twee hoofdcomponenten het percentage verklaarde variantie feitelijk niet veel verhoogt.<\/span><\/p>\n<p> <span style=\"color: #000000;\">We kunnen de RMSE-test (samen met de MSE- en R-kwadraattest) ook visualiseren als een functie van het aantal hoofdcomponenten met behulp van de <strong>validatieplot()-<\/strong> functie.<\/span> <\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#visualize cross-validation plots\n<\/span>validationplot(model)\nvalidationplot(model, val.type=\"MSEP\")\nvalidationplot(model, val.type=\"R2\")<\/strong> <\/pre>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11943 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcr1.png\" alt=\"Hoofdcomponentregressie in R\" width=\"403\" height=\"398\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11944 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcr2.png\" alt=\"Hoofdcomponenten regressie-kruisvalidatieplot in R\" width=\"403\" height=\"386\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p><img decoding=\"async\" loading=\"lazy\" class=\"aligncenter wp-image-11945 \" src=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcr3.png\" alt=\"R-kwadraat hoofdcomponentregressie in R\" width=\"401\" height=\"394\" srcset=\"\" sizes=\"auto, \"><\/p>\n<p> <span style=\"color: #000000;\">In elke grafiek kunnen we zien dat de modelfit verbetert door twee hoofdcomponenten toe te voegen, maar dat deze de neiging heeft te verslechteren als we meer hoofdcomponenten toevoegen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Het optimale model omvat dus alleen de eerste twee hoofdcomponenten.<\/span><\/p>\n<h3> <span style=\"color: #000000;\"><strong>Stap 4: Gebruik het definitieve model om voorspellingen te doen<\/strong><\/span><\/h3>\n<p> <span style=\"color: #000000;\">We kunnen het laatste PCR-model met twee hoofdcomponenten gebruiken om voorspellingen te doen over nieuwe waarnemingen.<\/span><\/p>\n<p> <span style=\"color: #000000;\">De volgende code laat zien hoe u de oorspronkelijke gegevensset kunt opsplitsen in een trainings- en testset en hoe u het PCR-model met twee hoofdcomponenten kunt gebruiken om voorspellingen te doen over de testset.<\/span><\/p>\n<pre style=\"background-color: #ececec; font-size: 15px;\"> <strong><span style=\"color: #008080;\">#define training and testing sets\n<\/span>train &lt;- mtcars[1:25, c(\"hp\", \"mpg\", \"disp\", \"drat\", \"wt\", \"qsec\")]\ny_test &lt;- mtcars[26: <span style=\"color: #3366ff;\">nrow<\/span> (mtcars), c(\"hp\")]\ntest &lt;- mtcars[26: <span style=\"color: #3366ff;\">nrow<\/span> (mtcars), c(\"mpg\", \"disp\", \"drat\", \"wt\", \"qsec\")]\n    \n<span style=\"color: #008080;\">#use model to make predictions on a test set\n<\/span>model &lt;- pcr(hp~mpg+disp+drat+wt+qsec, data=train, scale= <span style=\"color: #008000;\">TRUE<\/span> , validation=\" <span style=\"color: #008000;\">CV<\/span> \")\npcr_pred &lt;- predict(model, test, ncomp= <span style=\"color: #008000;\">2<\/span> )\n\n<span style=\"color: #008080;\">#calculate RMSE\n<\/span><span style=\"color: #3366ff;\">sqrt<\/span> ( <span style=\"color: #3366ff;\">mean<\/span> ((pcr_pred - y_test)^2))\n\n[1] 56.86549\n<\/strong><\/pre>\n<p> <span style=\"color: #000000;\">We zien dat de RMSE van de test <strong>56.86549<\/strong> blijkt te zijn. Dit is de gemiddelde afwijking tussen de voorspelde <em>pk-<\/em> waarde en de waargenomen <em>pk-<\/em> waarde voor de waarnemingen van de testset.<\/span><\/p>\n<p> <span style=\"color: #000000;\">Het volledige gebruik van de R-code in dit voorbeeld vindt u <a href=\"https:\/\/github.com\/Statorials\/R-Guides\/blob\/main\/principal_components_regression.R\" target=\"_blank\" rel=\"noopener noreferrer\">hier<\/a> .<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Gegeven een reeks p- voorspellingsvariabelen en een responsvariabele, gebruikt meervoudige lineaire regressie een methode die bekend staat als de kleinste kwadraten om de resterende som van kwadraten (RSS) te minimaliseren: RSS = \u03a3(y i \u2013 \u0177 i ) 2 Goud: \u03a3 : Een Grieks symbool dat som betekent y i : de werkelijke responswaarde voor [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[11],"tags":[],"class_list":["post-1205","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"<!-- This site is optimized with the Yoast SEO plugin v21.5 - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Hoofdcomponentregressie in R (stap voor stap)<\/title>\n<meta name=\"description\" content=\"In deze zelfstudie wordt uitgelegd hoe u regressie van hoofdcomponenten in R uitvoert, inclusief een stapsgewijs voorbeeld.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/\" \/>\n<meta property=\"og:locale\" content=\"de_DE\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Hoofdcomponentregressie in R (stap voor stap)\" \/>\n<meta property=\"og:description\" content=\"In deze zelfstudie wordt uitgelegd hoe u regressie van hoofdcomponenten in R uitvoert, inclusief een stapsgewijs voorbeeld.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/\" \/>\n<meta property=\"og:site_name\" content=\"Statorials\" \/>\n<meta property=\"article:published_time\" content=\"2023-07-27T07:23:11+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcr1.png\" \/>\n<meta name=\"author\" content=\"Dr.benjamin anderson\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Verfasst von\" \/>\n\t<meta name=\"twitter:data1\" content=\"Dr.benjamin anderson\" \/>\n\t<meta name=\"twitter:label2\" content=\"Gesch\u00e4tzte Lesezeit\" \/>\n\t<meta name=\"twitter:data2\" content=\"5\u00a0Minuten\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/\",\"url\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/\",\"name\":\"Hoofdcomponentregressie in R (stap voor stap)\",\"isPartOf\":{\"@id\":\"https:\/\/statorials.org\/nl\/#website\"},\"datePublished\":\"2023-07-27T07:23:11+00:00\",\"dateModified\":\"2023-07-27T07:23:11+00:00\",\"author\":{\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\"},\"description\":\"In deze zelfstudie wordt uitgelegd hoe u regressie van hoofdcomponenten in R uitvoert, inclusief een stapsgewijs voorbeeld.\",\"breadcrumb\":{\"@id\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/#breadcrumb\"},\"inLanguage\":\"de\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Thuis\",\"item\":\"https:\/\/statorials.org\/nl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Hoofdcomponentregressie in r (stap voor stap)\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/statorials.org\/nl\/#website\",\"url\":\"https:\/\/statorials.org\/nl\/\",\"name\":\"Statorials\",\"description\":\"Uw gids voor statistische competentie\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/statorials.org\/nl\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"de\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219\",\"name\":\"Dr.benjamin anderson\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"de\",\"@id\":\"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/\",\"url\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"contentUrl\":\"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg\",\"caption\":\"Dr.benjamin anderson\"},\"description\":\"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder\",\"sameAs\":[\"http:\/\/statorials.org\/nl\"]}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Hoofdcomponentregressie in R (stap voor stap)","description":"In deze zelfstudie wordt uitgelegd hoe u regressie van hoofdcomponenten in R uitvoert, inclusief een stapsgewijs voorbeeld.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/","og_locale":"de_DE","og_type":"article","og_title":"Hoofdcomponentregressie in R (stap voor stap)","og_description":"In deze zelfstudie wordt uitgelegd hoe u regressie van hoofdcomponenten in R uitvoert, inclusief een stapsgewijs voorbeeld.","og_url":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/","og_site_name":"Statorials","article_published_time":"2023-07-27T07:23:11+00:00","og_image":[{"url":"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/pcr1.png"}],"author":"Dr.benjamin anderson","twitter_card":"summary_large_image","twitter_misc":{"Verfasst von":"Dr.benjamin anderson","Gesch\u00e4tzte Lesezeit":"5\u00a0Minuten"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/","url":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/","name":"Hoofdcomponentregressie in R (stap voor stap)","isPartOf":{"@id":"https:\/\/statorials.org\/nl\/#website"},"datePublished":"2023-07-27T07:23:11+00:00","dateModified":"2023-07-27T07:23:11+00:00","author":{"@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219"},"description":"In deze zelfstudie wordt uitgelegd hoe u regressie van hoofdcomponenten in R uitvoert, inclusief een stapsgewijs voorbeeld.","breadcrumb":{"@id":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/#breadcrumb"},"inLanguage":"de","potentialAction":[{"@type":"ReadAction","target":["https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/statorials.org\/nl\/hoofdcomponentenregressie-in-r\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Thuis","item":"https:\/\/statorials.org\/nl\/"},{"@type":"ListItem","position":2,"name":"Hoofdcomponentregressie in r (stap voor stap)"}]},{"@type":"WebSite","@id":"https:\/\/statorials.org\/nl\/#website","url":"https:\/\/statorials.org\/nl\/","name":"Statorials","description":"Uw gids voor statistische competentie","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/statorials.org\/nl\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"de"},{"@type":"Person","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/d4b8842173cca1bb62cdec41860e4219","name":"Dr.benjamin anderson","image":{"@type":"ImageObject","inLanguage":"de","@id":"https:\/\/statorials.org\/nl\/#\/schema\/person\/image\/","url":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","contentUrl":"http:\/\/statorials.org\/nl\/wp-content\/uploads\/2023\/10\/Dr.-Benjamin-Anderson-96x96.jpg","caption":"Dr.benjamin anderson"},"description":"Ik ben Benjamin, een gepensioneerde hoogleraar statistiek die nu een toegewijde Statorials-lesgever is. Ik heb uitgebreide ervaring en expertise op het gebied van statistiek en ik ben vastbesloten om mijn kennis te delen met studenten via Statorials. Lees verder","sameAs":["http:\/\/statorials.org\/nl"]}]}},"yoast_meta":{"yoast_wpseo_title":"","yoast_wpseo_metadesc":"","yoast_wpseo_canonical":""},"_links":{"self":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1205","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/comments?post=1205"}],"version-history":[{"count":0,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/posts\/1205\/revisions"}],"wp:attachment":[{"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/media?parent=1205"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/categories?post=1205"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/statorials.org\/nl\/wp-json\/wp\/v2\/tags?post=1205"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}