Выбор метода классификации (кластерный анализ не сработал)

[tolstopuz]

Geen в сообщении #1041123 писал(а):

"глвные компоненты" = "главные оси эллипсоида инерции" (вроде как)

Разве это противоречит тому, что я написал?

[Geen]

tolstopuz в сообщении #1041125 писал(а):

Geen в сообщении #1041123 писал(а):

"глвные компоненты" = "главные оси эллипсоида инерции" (вроде как)

Разве это противоречит тому, что я написал?

Я бы сказал "не очень похоже"... особенно если не нормализовывать данные каждого месяца...

[tolstopuz]

Geen в сообщении #1041132 писал(а):

tolstopuz в сообщении #1041125 писал(а):

Geen в сообщении #1041123 писал(а):

"глвные компоненты" = "главные оси эллипсоида инерции" (вроде как)

Разве это противоречит тому, что я написал?

Я бы сказал "не очень похоже"... особенно если не нормализовывать данные каждого месяца...

Первая компонента очень похожа (нормализация входит в понятие "по сути"):

> cor(rowMeans(x[,1:12]),pr.out$x[,1])
[1] 0.9828019
> cor(rowMeans(x[,13:24]),pr.out$x[,1])
[1] 0.9796792

А вот вторую я назвал неточно.

> cor(rowMeans(x[,5:11])-rowMeans(x[,c(1:4,12)]),pr.out$x[,2])
[1] 0.9219097

То есть это разница между летом и зимой. Со знаком.

И спасибо за совет почистить от нулей.

r=r[r[[12]]!=0 & r[[13]]!=0,]

[Geen]

tolstopuz в сообщении #1041136 писал(а):

И спасибо за совет почистить от нулей.

Подозреваю, всё же, что нули представляют случайные/отдельные пропуски и маскируют нормальные данные.... А жизнь портят сильно в результате.

tolstopuz в сообщении #1041136 писал(а):

Первая компонента очень похожа

По идее, это должно означать высокую коррелированность данных...
Немного удивляет, что нормализация усиливает этот эффект...