Публикации по теме 'pca-analysis'


Анализ главных компонентов
Привет! В этом блоге мы рассмотрим наиболее важный метод уменьшения размерности, то есть анализ основных компонентов. Используя PCA, мы можем найти корреляцию между точками данных, например, влияет ли лето на продажу мороженого или в какой степени. В PCA мы будем генерировать ковариационную матрицу для проверки корреляции, но давайте начнем с нуля. Как мы уже говорили ранее, PCA — это метод уменьшения размерности, поэтому сначала рассмотрим, как уменьшить размерность. Но зачем..
Концепция машинного обучения 6 : ограничения PCA и t-SNE
Ограничения PCA и t-SNE: PCA (анализ основных компонентов) и tSNE (t-распределенное стохастическое встраивание соседей) — два популярных метода, используемых в анализе данных и машинном обучении для уменьшения размерности данных. Несмотря на свою полезность, они имеют некоторые ограничения, которые обсуждаются. ниже: => Линейный характер: PCA — это линейный метод, что означает, что он может фиксировать только линейные отношения между переменными. Это может не подходить для данных,..
Прогнозирование наплыва такси Lyft в зависимости от погодных условий
Много раз нас может сбить с толку уведомление о всплеске в приложениях для обмена поездками, таких как Lyft и Uber. Уведомление о всплеске информирует нас о том, что базовые цены будут умножены на определенное число из-за высокого спроса на такси в этот момент. Это имеет смысл в часы пик, но это сообщение также появляется в некоторые нечетные часы (15:00). Итак, на Kaggle был задан интересный вопрос: влияет ли погода каким-либо образом на множитель всплеска? В частности, какую роль..
Новая нейронная сеть на основе комплексных чисел (построена с нуля) с использованием PCA на NASA Kepler…
Эй, читатели! Из заголовка этого поста на Medium я знаю, что вы можете испугаться, но не стоит волноваться. Я хочу провести вас шаг за шагом через то, что я реализовал, и мои идеи всеобъемлющим и целостным образом. Но сначала давайте разберем название и то, чего мы пытаемся здесь достичь. Прежде чем мы начнем, я хотел бы поблагодарить Эндрю Нг (Stanford Coursera DeepLearning.Ai), Ritvikmath (YouTube, потрясающий контент), MIT OCW — Herbet Gross (комплексный анализ) и Rising Odegua..
Анализ главных компонентов (PCA) — Давайте разберем!
Оглавление: Пример, где нам нужен PCA Как PCA помогает в конвейере машинного обучения. Как работает PCA — Геометрическая интуиция Математика PCA Заключение Вопрос: Есть ли методы лучше, чем PCA? Предварительные условия Собственные значения и собственные векторы Линейная алгебра #1. Пример, когда нам нужен PCA Начнем с примера. «Набор данных D = набор пары xi и yi в диапазоне от 1 до n, так что значение xi принадлежит действительным числам, а yi..
Проклятие размерности в машинном обучении
Машинное обучение произвело революцию в различных отраслях, позволив компьютерам учиться на данных и делать точные прогнозы или решения. Одной из ключевых проблем машинного обучения является работа с многомерными данными, широко известная как «проклятие размерности». Это явление создает серьезные проблемы с точки зрения вычислительной сложности, производительности модели и обобщения. В этой статье мы рассмотрим, что такое проклятие размерности, его влияние на алгоритмы машинного обучения и..
Раскрытие возможностей анализа главных компонентов (PCA): математическое путешествие
ВВЕДЕНИЕ Здесь мы погружаемся в глубины анализа главных компонентов (PCA), мощного математического метода уменьшения размерности и визуализации данных. В этом мы демистифицируем основные математические концепции и проведем вас через пошаговый процесс реализации PCA. От собственных векторов до собственных значений, от ковариационных матриц до разложения по сингулярным числам — мы снабдим вас знаниями и инструментами для уверенного применения PCA в ваших собственных проектах по..