Notice: This page requires JavaScript to function properly.
Please enable JavaScript in your browser settings or update your browser.
Вивчайте Коваріаційна матриця | Основні поняття РСА
Метод Головних Компонент
course content

Зміст курсу

Метод Головних Компонент

Метод Головних Компонент

1. Що таке аналіз головних компонент
2. Основні поняття РСА
3. Побудова моделі
4. Аналіз результатів

book
Коваріаційна матриця

The next step is to create a covariance matrix. Why are we doing this? The covariance matrix allows us to see the relationship between variables in the dataset. If some variables have a strong correlation with each other, this will allow us to avoid redundant information in the next step. This is the meaning of the PCA algorithm: to make the differences between variables more pronounced, and to get rid of information overload.

The covariance matrix is a symmetric matrix of the form nxn, where n - is the total number of measurements, i.e. variables that we have in the dataset. If we have 5 variables: x1, x2, x3, x4, x5, then the covariance matrix 5x5 will look like this:

Pay attention to the sign of the covariance values: if it is positive, then the variables are correlated with each other (when one increases or decreases, the second also), if it is negative, then the variables have an inverse correlation (when one increases, the second decreases and vice versa).

Let's use numpy to calculate the covariance matrix:

python
Завдання

Swipe to start coding

Read the dataset from the train.csv file (from web), standartize the data, calculate the covariance matrix, and display it.

Рішення

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 2
toggle bottom row

book
Коваріаційна матриця

The next step is to create a covariance matrix. Why are we doing this? The covariance matrix allows us to see the relationship between variables in the dataset. If some variables have a strong correlation with each other, this will allow us to avoid redundant information in the next step. This is the meaning of the PCA algorithm: to make the differences between variables more pronounced, and to get rid of information overload.

The covariance matrix is a symmetric matrix of the form nxn, where n - is the total number of measurements, i.e. variables that we have in the dataset. If we have 5 variables: x1, x2, x3, x4, x5, then the covariance matrix 5x5 will look like this:

Pay attention to the sign of the covariance values: if it is positive, then the variables are correlated with each other (when one increases or decreases, the second also), if it is negative, then the variables have an inverse correlation (when one increases, the second decreases and vice versa).

Let's use numpy to calculate the covariance matrix:

python
Завдання

Swipe to start coding

Read the dataset from the train.csv file (from web), standartize the data, calculate the covariance matrix, and display it.

Рішення

Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Все було зрозуміло?

Як ми можемо покращити це?

Дякуємо за ваш відгук!

Секція 2. Розділ 2
Switch to desktopПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів
Ми дуже хвилюємося, що щось пішло не так. Що трапилося?
some-alt