L`analyse discriminante linéaire (LDA) et l`APC sont des méthodes de transformation linéaires. Le protocole pour la réponse et l`évaluation des actifs, des risques et des expériences des patients (PRAPARE) est un effort national pour aider les centres de santé et d`autres fournisseurs de recueillir les données nécessaires pour mieux comprendre et agir sur les déterminants sociaux de leurs patients de la santé. Questions? Avec des données sur les déterminants sociaux de la santé, les centres de santé et d`autres prestataires peuvent définir et documenter la complexité accrue de leurs patients, transformer les soins avec des services intégrés et des partenariats communautaires pour répondre aux besoins de leurs patients, plaider pour le changement dans leurs communautés, et de démontrer la valeur qu`ils apportent aux patients, aux communautés et aux payeurs. Association des organismes de santé communautaire de l`Asie du Pacifique, Association des soins primaires de l`Oregon. Dans cette dernière étape, nous utiliserons la matrice de projection $4 times 2 $ mathbf{W} $ pour transformer nos échantillons sur le nouveau sous-espace via l`équation $ mathbf{Y} = mathbf{X} times mathbf{W} $, où $ mathbf{Y} $ est un $150 Times $2 matrice de notre transformé Échantillons. L`outil d`évaluation de l`état de préparation du PRAPARE PCA est maintenant disponible pour les APC à partir du 2017 août pour évaluer leur capacité à appuyer leurs organisations membres dans la mise en œuvre du PRAPARE et l`utilisation des données PRAPARE. La protection des données est un travail permanent, qui ne peut pas être décrété une fois pour toutes, en particulier compte tenu des erreurs humaines qui peuvent survenir même dans des processus hautement automatisés. Il s`agit de la protection des données des citoyens européens, que les opérateurs concernés soient en Europe ou ailleurs dans le monde. Pour soutenir la demande croissante de formation sur la mise en œuvre et l`utilisation de PRAPARE, nous avons lancé le deuxième tour d`un PRAPARE gratuit former l`Académie formateur pour renforcer les connaissances et les capacités des organisations membres du centre de santé (e. S`il vous plaît noter: il s`agit de la dernière version et finalisé de l`outil PRAPARE. Plus tard, nous calculerons les vecteurs propres (les composants principaux) d`un DataSet et les collectons dans une matrice de projection.
Comme les fournisseurs sont de plus en plus tenus responsables d`atteindre les objectifs de santé de la population tout en réduisant les coûts, il est important qu`ils aient des outils et des stratégies pour identifier les facteurs socioéconomiques en amont des résultats médiocres et des coûts plus élevés. Nous pouvons résumer le calcul de la matrice de covariance via l`équation matricielle suivante: $ Sigma = frac{1}{n-1} left ((mathbf{X}-mathbf{bar{x}}) ^ T ;(mathbf{X}-mathbf{bar{x}}) right) $ où $ mathbf{bar{x}} $ est le vecteur moyen $ mathbf{ bar {x}} = sumlimits_{k = 1} ^ n x_ {i}. Mais heureusement, il ya déjà mise en œuvre dans scikit-apprendre. Sebastian apprécie tout ce qui implique de travailler avec les données: la découverte de modèles intéressants et à venir avec des conclusions perspicaces en utilisant des techniques issues des domaines de l`exploration de données et de l`apprentissage automatique pour la modélisation prédictive.