Analyse principale des composants (PC A): Semblable au SUS, la méthode peut convertir de nombreux facteurs tels que (satisfaction, disponibilité, simples, etc. aux données numériques, au numérique ou au graphique) et à introduire des diagrammes et du gravier Algorithmes de graphique (basé sur PC A) avec le nombre de relations dimensionnelles.

Nous avons mentionné l'exemple étendu de l'expérience utilisateur - Suce s AVN SUS SUMEVES, mais en train d'étudier l'expérience utilisateur pratique, ce n'est pas seulement une convivialité possible et il est également facile à utiliser. Satisfaction, etc. Autres tailles, même certaines dimensions peuvent ne pas être claires, besoin de chercheurs pour faire un examen. Dans ce cas, le jugement basé sur une expérience personnelle n'a pas été ajusté et nous devons lire des données avec une connaissance des ordinateurs et des statistiques pour prendre en charge les décisions du produit.

L'auteur n'est pas une science, mais sur la base des besoins des opérations réelles, des cours d'auto-apprentissage sont pertinents, assez profonds. pseudoVous avez une algèbre linéaire et la nature de l'arrière-plan de statistiques est la meilleure, mais si cela n'a pas, ce n'est absolument pas de problème. Pour ces méthodes, si nous utilisons le gestionnaire de produits, nous devons utiliser ces méthodes, créer une valeur, alors ne vous inquiétez pas. Cet article évitera le principe des algorithmes et se concentrera sur des scripts logiques et des applications de conception.
Premièrement, la méthode d'analyse principale de composants (PC A) Logique de conception
Revue l'échelle disponible du système SUS précédent (détail de l'utilisation de l'analyse de l'expérience humaine), essentiellement par filtrage, conversion de données ( disponibilité et facilité d'utilisation) de la taille d'origine dans un seul axe. Dans le traitement de données multidimensionnelles, son noyau est comme des données de l'espace multidimensionnel en projetant en saillie de latitude.

L'algèbre linéaire Savez-nous que si c'est des vêtements simples, il existe d'innombrables façons, très difficiles de maintenir les caractéristiques des données d'origine pendant la poussière. Deux élémentsNG comme disponible, facile à utiliser est une corrélation forte et linéaire, la disponibilité supérieure, la disponibilité supérieure, la réduction de la taille, l'ensemble de données survivra également à ces caractéristiques et même disponible, il est possible de maintenir la capacité d'obstruction lorsque x%, Facile à utiliser augmentera également le niveau.

Vous devez faire attention à: Il doit y avoir une certaine quantité d'informations après la chute de Dragn, c'est inévitable. PC A est de conserver la principale caractéristique et d'affaiblir moins d'informations. L'utilisation est la plus grande possible en laissant chaque données brutes converties, ce qui signifie que la différence est la plus évidente.

Premièrement, un exemple simple est donné. Par exemple, nous avons fourni 5 produits, des tests SUS sont disponibles, faciles à utiliser des indicateurs sexuels, nous représentons deux cartes à deux dimensions.

Après avoir chuté ces données à double sens. Il est de trouver un arbre, puis d'obtenir la projection de chaque indicateur de produit dans cet axe et de rencontrer la différence dans la poursuite.u.
Exemple: la relation entre les produits A (1, 2) et le produit B (1, 0) est conservé sur cet axe .. Mais si nous assistions à des fourmis sur l'axe, A et B chevauchement, il ne peut pas comparer le type A et B mieux, ce qui signifie que la comparaison facile à utiliser. PC Un algorithme conserve cette fonctionnalité et nous pouvons facilement comparer les avantages et les inconvénients de chaque produit en traitement des données.

Théoriquement comporte un certain nombre de dimensions de données, il existe certains vecteurs typiques. Chaque fonctionnalité de vecteur est orthogonale. C'est-à-dire qu'il est indépendant de la taille après avoir converti le vecteur de fonctionnalité. Les détails de l'explication seront décrits plus tard.

montre également spécifiquement que PC une méthode ne correspond pas aux données pour une corrélation de haut niveau et conformément à la corrélation linéaire. Mais pour les produits ou applications intelligents généraux, les sites Web, V.V. et la recherche sociale, V.V PC A peut avoir réagi à la majorité.
Lundi, PC Une analyse de cas réaliste

Je vais analyser la méthode d'utilisation et l'attention du PC A avec un vrai travail. (L'auteur est écrit par Matlab). Bien sûr, la chose la plus importante n'est pas un programme qui comprend ce que le PC A se produit. Premier code joindre.

% Données est un ensemble de données de données d'entrée, une représentation de la ligne et un projet parallèle, tel que le produit 1, 2 ou l'utilisateur 1, utilisateur 2,% par colonne signifie la taille de l'élément de description, par exemple , Data = shishen;% Modèle PCA dans les données% n est le nombre de mesures et de P est désigné par le numéro de taille [N, P] = taille (données);% PC Un processus de calcul, ici n'est plus introduit, vous n'êtes plus introduit. Intéressé à analyser les données d'exploration des personnes Viking avec Matlab. Je vais laisser tomber le jeu de données d'origine ici dans une dimension. Datac = Data - Repmat (Total (Données) / N, N, 1); Couverture = couvercle (Datac); [Eigvec, Eigval] = EIG (couverture); Eigval = diag (Eigval); Eigval = Flipval (Eigval); Eigvec = .eiGVEC (:, P: -1: 1); pervar = 100 * cumsum (ex) / somme (ex); G = zéros (1, p); Pour k = 1: PUR i = k: pg (k) = g (k) + 1 / i; Endendg = g / p; propvar = eIgnval / somme (Eigval); Avgeog = moyenne (Eigval); Ind = Trouver (Eignal & GT; Avgeog); l = longueur (ind);% de contrôle p est converti en tailles. Si vous devez convertir en x-dimensionnel, p = eigvec (:, 1: x); p = eigvec (:, 1: 1);% data est des données après avoir reçu le jeu de temps d'arrêt du data DataC = Datac * P;

Mardi, les instructions de données d'origine

Nous collectons ici 80 utilisateurs lors de l'utilisation d'une application, du temps utilisé dans chaque lien de tâche et des milliards, l'erreur de tâche globale est obtenue pour que l'utilisateur soit facile à faire. Utilisez la valeur sur ce produit. De la même manière, l'analyse du concours est faite de la même manière et s'attend à ce que les liens sont très importants et ont besoin d'améliorer, avantageD'autres produits et conclusions importants.

1, les données ont besoin d'une corrélation linéaire

La corrélation linéaire consiste à garantir que nous pouvons trouver le projecteur de base, les détails de référence d'algèbre linéaire et d'autres parties prenantes connexes. J'ai souligné une pointe des conseils. Lorsque vous collectez des données précédentes, vous pouvez faire de la bonne et de mauvaise modification autant que possible. Par exemple, l'exemple ci-dessus, nous croyons que le temps de consommation de temps dans la tâche, de meilleurs produits. Par conséquent, en utilisant le taux d'erreur de projet pour mettre en œuvre un indicateur au lieu du taux de réussite du projet, car le taux d'échec est un produit plus pauvre et plus le taux de réussite est élevé indique que le produit est et modifier les données précédentes est inversée. Grâce à ce processus, la différence de PC Un algorithme est plus claire.

2, PC Un résultat de traitement et sa signification
Après avoir placé les données sur, après le PC, nous recevrons l'ensemble de données suivant, sera 5D DataConverti uniquement à une manière uniquement, après avoir comparer les métadonnées et la valeur de l'installation de conversion, nous avons constaté que ce score est comparable à une utilisation facile à utiliser.
En analysant cette seule fiche de données, nous pouvons au moins obtenir la conclusion suivante

L'application dispose d'un certain coût d'apprentissage, des instructions novice doivent être améliorées, la différence de distribution de projet est large

Cette application a facilement un espace d'amélioration important à l'aide de
à HeaneArong Ce processus, nous avons obtenu le résultat suivant

3, convertisseur matriciel P =

Convertisseur de matrice p = [0.0535; -0,9984; -0015; 0.0011; 9.9375E -05]. (Vecteur de fonctionnalité maximum). Ceci est la conception d'une formule de conversion réduite. Dans d'autres produits, nous pouvons utiliser la même matrice de conversion pour réduire l'analyse comparative visuelle, telle que le compteur de disponibilité du système (SUS).
Qu'est-ce que la différence signifie? La réponse est significative et la différence ici est activeDynamique à nouveau. Étant donné que les équations de conversion constantes, l'espace indiqué est également cohérent et l'unité réalisable est également fixée. Cependant, il convient de noter que l'ensemble de données converti ne peut pas restaurer le jeu de données d'origine. Par conséquent, nous pouvons avoir la transition vers un projet spécifique, mais nous devons également avoir besoin d'être traités dans la section spécifique.

Exemple: dans le processus de ce projet, la différence entre différents éléments est obtenue en comparant le plus haut niveau d'utilisation et le jeu de données numériques minimum. Par exemple, la quantité d'utilisation la plus facile est que les utilisateurs les plus élevés et 16 peuvent être minimisés. Trouvez ensuite les processus des données d'origine, obtenez la différence entre le projet Brother comme "26, -384, 9, -5, 0,05", combinés à la conversion de matrice P, nous pouvons jeter un coup d'œil sur les informations suivantes:

La mission 1 a un conflit avec le devoir 2 dans la conception. Si l'utilisateur du projet consomme peu de temps, il faut beaucoup de temps dans le projet B. La raison est la suivante: prix TLa conversion des deux est une corrélation négative.

Mission 2, Mission 1 est une tâche principale et doit se concentrer sur la prochaine version. Le projet 3, 4 a de petits effets, des tâches sans importance et des utilisateurs ont une erreur fondamentale stable. La raison est la suivante: la valeur des 1s correspondant à la tâche 1 est une variation de valeur de 0,0535 et 1 à la tâche 2 correspondant au numéro de variation -0.9984. Deux contributions au score final sont incompatibles.
4, diagramme de pierre concassée à la dimension
Mais combien coûte les données de transition ci-dessus? En théorie, la perte de taille est perdue, autant d'informations. Alors, comment déterminez-vous que vous devriez diminuer dans un espace dimensionnel? La méthode de jugement passe par la longueur de la matrice de conversion (fonctionnalité vectorielle). Caractéristiques du nombre de fonctionnalités qui sont dans cette taille (par exemple, la disponibilité de ce qui précède décrit) est évidente, mais au contraire, si la valeur de fonctionnalité signifie dans la règle de clicCela, les données de base n'ont aucun différentiel. Il n'y a donc pas d'analyse de valeur (tout le monde est identique). Joindre le premier programme.
images, tracé (1: longueur (Eigval), Eigval, "ko -") ("Schee Terrain") XLabel ("Eigenvthày est le composant principal. Par conséquent, c'est le composant principal. Par conséquent, les informations Après la conception est disponible. Prestige, conserver 70% à 95% de données d'origine. (N'oubliez pas) [N'oubliez pas) [N'oubliez pas)
à travers la carte de gravier, nous pouvons rapidement comprendre l'analyse de taille. K Ceci est un point de rotation dans les graphiques, représentant les données Pour être réduit à l'espace k-Simensal pour conserver les informations principales.
Quatrième, PostScript
Pour les gestionnaires de produits ou les praticiens de l'exploitation de données, la compréhension de PC Un algorithme aidera votre analyse plus précise et plus efficace, donnant des conclusions plus convaincantes, comme étude d'une personne utilisée initialement, mais cet article ne concerne que des utilisateurs à expérimenter de ce côté pour afficher cet algorithme

via PC, unMaths, nous pouvons analyser (plus que ceci)

Projet (le conflit profite également au même niveau d'importance et de taille d'impact

la taille principale du produit
] Ces problèmes sont difficiles à détecter avec simple Graphiques, etc. et l'œil nu. Par conséquent, il ne fait aucun doute que la formation de produits d'analyse de données que les gestionnaires peuvent voir seront profonds et réels plus.

,