Метод Головних Компонент

Зміст курсу

Метод Головних Компонент

Метод Головних Компонент

1. Що таке аналіз головних компонент

Вступ Практичне застосування PCA Математична ідея Приклади реальних проблем Як пояснити отримані результати?

2. Основні поняття РСА

Стандартизація Коваріаційна матриця Власні значення та власні вектори Вектор ознак та головні компоненти Бачити загальну картину

3. Побудова моделі

Scikit-learn для PCA Досліджуємо набір даних Пристосувати дані в модель Виклик

4. Аналіз результатів

Пояснити отримані компоненти А що далі?Стиснення даних Зниження рівня шуму Стиснення зображень

Стандартизація

Finally, let's start with the analysis of the PCA mathematical model.

First of all, we start by standardizing the data that the algorithm will work with. By standardization is meant the reduction of all continuous variables to a set where the mean will be equal to 0.

This is an important step because PCA cannot work properly if there is a variable in the dataset with a range of values 0-20 and 100-10,000, for example. PCA will start to "ignore" the characteristic with a small spread (0-20) and it will not be able to affect the result of the algorithm.

The formula for data standardization is very simple. Subtract the mean from the value of the variable and divide the result by the standard deviation:

The scikit-learn Python library allows us to do this in 1 line:

python

Завдання

Swipe to start coding

Implement standardization of X array using the numpy functions np.mean() and np.std().

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 2. Розділ 1

toggle bottom row

Стандартизація

Finally, let's start with the analysis of the PCA mathematical model.

First of all, we start by standardizing the data that the algorithm will work with. By standardization is meant the reduction of all continuous variables to a set where the mean will be equal to 0.

This is an important step because PCA cannot work properly if there is a variable in the dataset with a range of values 0-20 and 100-10,000, for example. PCA will start to "ignore" the characteristic with a small spread (0-20) and it will not be able to affect the result of the algorithm.

The formula for data standardization is very simple. Subtract the mean from the value of the variable and divide the result by the standard deviation:

The scikit-learn Python library allows us to do this in 1 line:

python

Завдання

Swipe to start coding

Implement standardization of X array using the numpy functions np.mean() and np.std().

Рішення

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 2. Розділ 1

Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів

some-alt