Публикации по теме 'principal-component'


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..
Уменьшение размерности
Техника, позволяющая просматривать многомерные данные в более низком пространстве. Когда вы начинаете решать проблему, беря набор данных, некоторые функции, доступные в наборе данных, могут быть избыточными, что не имеет смысла в обучающих данных. Эти функции необходимо каким-то образом уменьшить. Уменьшение размерности — это метод уменьшения количества признаков в наборе данных. Чем больше число функций, тем сложнее визуализировать тренировочный набор, а затем работать с ним...
Помимо «классического» PCA: анализ основных функциональных компонентов (FPCA), применяемый к временным рядам с…
Узнайте, почему использование «функций» вместо «линейных векторов» в анализе основных компонентов может помочь вам лучше понять общие тенденции и поведение временных рядов. FPCA традиционно реализуется с R, но пакет FDASRSF от J. Derek Tucker даст аналогичные (и даже лучшие) результаты в Python. Если вы дошли до этой страницы, вероятно, вы знакомы с PCA. Анализ основных компонентов является частью набора инструментов исследования Data Science, поскольку он обеспечивает множество..
Снижение размерности с помощью PCA
Введение Данные высокой размерности чрезвычайно сложно обрабатывать из-за несогласованности функций, которые увеличивают время вычислений и делают обработку данных и EDA более запутанными. Большое количество функций в наборе данных является одним из основных факторов, влияющих как на время обучения, так и на точность моделей машинного обучения. В машинном обучении «размерность» просто означает количество функций (т. Е. Входных переменных) в вашем наборе данных. Уменьшение..
Машинное обучение в продажах и что общего у вашей команды со спортсменами CrossFit — Seekers
Вопрос Чему могут научиться менеджеры по продажам у самых приспособленных людей на Земле? Есть ли способ посмотреть на показатели спортсмена и выяснить, каков его полный потенциал и что мешает его выступлениям? Можем ли мы сделать то же самое с нашим отделом продаж? А как насчет KPI , которые у нас есть, можем ли мы точно настроить их, чтобы убедиться, что все они работают в одном направлении? Настраивать Кроссфит — это вид фитнеса, в котором спортсмены работают над своей..
Высокоуровневое введение в уменьшение размерности и анализ главных компонентов (PCA)
Моя последняя заметка рассказала, как определить, какие части системы машинного обучения наиболее важны для работы с использованием анализа потолка. В этой заметке представлен краткий общий обзор двух связанных тем: уменьшение размерности и анализ главных компонентов (PCA) . Уменьшение размерности Уменьшение размерности — это способ сжатия данных и упрощения их визуализации путем сглаживания их до меньшего количества измерений . Например, если у вас есть 3D-облако точек данных, вы..
Восстановление портрета маленькой девочки с помощью анализа главных компонентов (часть 1)
PCA, анализ главных компонентов, является одним из основных методов сокращения данных с большими размерами до гораздо меньшего набора. Идея состоит в том, чтобы уменьшить набор данных, но сохранить как можно больше информации. В этом блоге мы рассмотрим PCA, чтобы сжать изображение ровно настолько, чтобы можно было распознать человека на картинке. Этот блог представляет собой учебное пособие. Можно использовать это как ссылку для их стремления понять PCA. Посетите мой Репозиторий..