De eenvoudigste manier om multidimensionaal schalen in R uit te voeren, is door de ingebouwde functie cmdscale()<\/strong> te gebruiken, die de volgende basissyntaxis gebruikt:<\/span><\/p>\n cmdschaal(d, eig = ONWAAR, k = 2, \u2026)<\/span><\/strong><\/p>\n Goud:<\/span><\/p>\n Het volgende voorbeeld laat zien hoe u deze functie in de praktijk kunt gebruiken.<\/span><\/p>\n Stel dat we het volgende dataframe in R hebben dat informatie bevat over verschillende basketbalspelers:<\/span><\/p>\n We kunnen de volgende code gebruiken om multidimensionaal schalen uit te voeren met de cmdscale()<\/strong> functie en de resultaten in de 2D-ruimte te visualiseren:<\/span><\/span> <\/p>\n Spelers in het oorspronkelijke dataframe die vergelijkbare waarden hebben in de oorspronkelijke vier kolommen (punten, assists, blocks en rebounds) staan in de plot dicht bij elkaar.<\/span><\/p>\n Spelers A<\/strong> en C<\/strong> zijn bijvoorbeeld gesloten voor elkaar. Hier zijn hun waarden uit het originele dataframe:<\/span><\/p>\n Hun waarden voor punten, assists, blocks en rebounds zijn allemaal behoorlijk vergelijkbaar, wat verklaart waarom ze zo dicht bij elkaar liggen in de 2D-plot.<\/span><\/p>\n Neem daarentegen spelers B<\/strong> en K<\/strong> die ver uit elkaar staan in het plot.<\/span><\/p>\n Als we naar hun waarden in de originele gegevens verwijzen, kunnen we zien dat ze behoorlijk verschillend zijn:<\/span><\/p>\n De 2D-plot is dus een goede manier om te visualiseren hoe vergelijkbaar elke speler is voor alle variabelen in het dataframe.<\/span><\/p>\n Spelers met vergelijkbare statistieken worden dicht bij elkaar gegroepeerd, terwijl spelers met zeer verschillende statistieken verder van elkaar verwijderd zijn in het plot.<\/span><\/p>\n Merk op dat je ook de exacte co\u00f6rdinaten (x, y) van elke speler in de plot kunt extraheren door fit<\/strong> te typen, wat de naam is van de variabele waarin we de resultaten van de cmdscale()<\/strong> functie hebben opgeslagen:<\/span><\/p>\n In de volgende tutorials wordt uitgelegd hoe u andere veelvoorkomende taken in R kunt uitvoeren:<\/span><\/p>\n Hoe gegevens in R te normaliseren<\/a> In de statistiek is multidimensionale schaling een manier om de gelijkenis van waarnemingen in een dataset in een abstracte cartesiaanse ruimte (meestal 2D-ruimte) te visualiseren. De eenvoudigste manier om multidimensionaal schalen in R uit te voeren, is door de ingebouwde functie cmdscale() te gebruiken, die de volgende basissyntaxis gebruikt: cmdschaal(d, eig = ONWAAR, k = […]<\/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-3586","post","type-post","status-publish","format-standard","hentry","category-gids"],"yoast_head":"\n\n
Voorbeeld: multidimensionaal schalen in R<\/strong><\/span><\/h2>\n
#create data frame\n<\/span>df <- data. frame<\/span> (points=c(4, 4, 6, 7, 8, 14, 16, 19, 25, 25, 28),\n assists=c(3, 2, 2, 5, 4, 8, 7, 6, 8, 10, 11),\n blocks=c(7, 3, 6, 7, 5, 8, 8, 4, 2, 2, 1),\n rebounds=c(4, 5, 5, 6, 5, 8, 10, 4, 3, 2, 2))\n\n#add row names\n<\/span>row. names<\/span> (df) <- LETTERS[1:11]\n\n#view data frame\n<\/span>df\n\n points assists blocks rebounds\nA 4 3 7 4\nB 4 2 3 5\nC 6 2 6 5\nD 7 5 7 6\nE 8 4 5 5\nF 14 8 8 8\nG 16 7 8 10\nH 19 6 4 4\nI 25 8 2 3\nD 25 10 2 2\nK 28 11 1 2<\/strong><\/pre>\n #calculate distance matrix\n<\/span>d <- dist(df)\n\n#perform multidimensional scaling\n<\/span>fit <- cmdscale(d, eig= TRUE<\/span> , k= 2<\/span> )\n\n#extract (x, y) coordinates of multidimensional scaling\n<\/span>x <- fit$points[,1]\ny <- fit$points[,2]\n\n#create scatterplot\n<\/span>plot(x, y, xlab=\" Coordinate 1<\/span> \", ylab=\" Coordinate 2<\/span> \",\n main=\" Multidimensional Scaling Results<\/span> \", type=\" n<\/span> \")\n\n#add row names of data frame as labels\n<\/span>text(x, y, labels=row. names<\/span> (df))\n<\/span><\/span><\/strong><\/pre>\n![\"multidimensionale](\"https:\/\/statorials.org\/wp-content\/uploads\/2023\/08\/mds1.jpg\")
<\/p>\n #view data frame values for players A and C<\/span>\ndf[rownames(df) %in%<\/span> c(' A<\/span> ', ' C<\/span> '), ]\n\n points assists blocks rebounds\nA 4 3 7 4\nC 6 2 6 5<\/strong><\/pre>\n #view data frame values for players B and K<\/span>\ndf[rownames(df) %in%<\/span> c(' B<\/span> ', ' K<\/span> '), ]\n\n points assists blocks rebounds\nB 4 2 3 5\nK 28 11 1 2<\/strong><\/pre>\n #view (x, y) coordinates of points in the plot<\/span>\nfit\n\n [,1] [,2]\nA -10.6617577 -1.2511291\nB -10.3858237 -3.3450473\nC -9.0330408 -1.1968116\nD -7.4905743 1.0578445\nE -6.4021114 -1.0743669\nF -0.4618426 4.7392534\nG 0.8850934 6.1460850\nH 4.7352436 -0.6004609\nI 11.3793381 -1.3563398\nJ 12.0844168 -1.5494108\nK 15.3510585 -1.5696166\n<\/strong><\/pre>\n Aanvullende bronnen<\/strong><\/span><\/h2>\n
Hoe datacenteren in R<\/a>
Hoe uitschieters in R te verwijderen<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"