0. Введение Скажем, у вас есть куча точек данных, и вы хотите найти в них закономерности. Анализ главных компонентов — это инструмент, который может помочь вам в этом. Он находит наиболее важные функции в ваших данных и уменьшает размерность данных. Это означает, что он берет много точек данных и превращает их в меньшее количество точек данных, с которыми легче работать. В статистике анализ основных компонентов (PCA) — это метод, используемый для уменьшения размерности данных. Это..

Все, что нам нужно, это набор интеллектуальных базисных векторов . Возможно, вы уже знаете, что на самом деле делает PCA абстрактно, и также использовали это в своем проекте. но вы можете не знать, как это уменьшает размеры или интуицию, стоящую за этим. Тогда эта статья для вас. Проще говоря, PCA уменьшает размерность данных. Предположим, у нас есть матрица данных X размерности M * N где M = количество образцов, N = количество признаков (размеров) Поэтому очевидно, что для..

В этой статье мы изучим один из основных и простейших методов уменьшения размерности, называемый PCA (анализ главных компонентов). В этом блоге мы рассмотрим следующие темы: Что такое ПСА? Зачем изучать PCA? Геометрическая интерпретация PCA. Математическая интерпретация PCA. Альтернативная формулировка минимизации расстояния PCA Решение задачи оптимизации и важность собственных значений и собственных векторов в PCA Визуализируйте набор данных MNIST и пример кода PCA Ограничения..

Это часть серии статей об анализе основных компонентов (АПК), и это еще не все. В этом посте обсуждается, что делает PCA, а не его интерпретация. По своей сути любой алгоритм принимает входные данные и производит новые выходные данные, почти как чистая функция, не влияя на состояние мира в противном случае. PCA традиционно рассматривается как алгоритм обучения без учителя. Он производит вывод, который не извлекается из человеческих ярлыков. Цитата ниже относится к обучению с..