Публикации по теме 'principal-component'
PCA: собственные векторы и собственные значения
PCA: собственные векторы и собственные значения
Когда вы работаете с данными, вы всегда будете сталкиваться с относительными особенностями. Эти последние являются переменными, которые мы принимаем во внимание при описании наших данных. А именно, если вы собираете данные о домах в Милане, типичными характеристиками могут быть расположение, размер, пол и так далее.
Однако часто случается, что ваши данные предоставляются вам с множеством функций, иногда с сотнями из них… Но нужны ли..
Изучите анализ главных компонентов (PCA) на Python с примерами
С достижениями в области машинного обучения и искусственного интеллекта стало важно понимать основы, лежащие в основе таких технологий. Эта статья поможет вам понять концепции, лежащие в основе уменьшения размерности, и то, как его можно использовать для работы с данными большой размерности.
Вот список тем, которые будут рассмотрены в этой статье:
Необходимость анализа основных компонентов Пошаговое вычисление PCA Стандартизация
Вычисление матрицы ковариации Вычисление..
Уменьшение размерности лица с помощью PCA
Машинное обучение имеет широкий спектр методов уменьшения размерности. Это один из самых важных аспектов в области науки о данных. В результате в этой статье я представлю один из наиболее важных методов уменьшения размерности, используемых сегодня, известный как анализ главных компонентов (PCA).
Но сначала нам нужно понять, что такое уменьшение размерности и почему оно так важно.
Уменьшение размерности
Снижение размерности, также известное как уменьшение размерности, представляет..
PCA на гиперспектральных данных
Удобное для новичков руководство по использованию PCA с гиперспектральными данными
Введение
Гиперспектральные данные расширяют возможности классификации изображений. Гиперспектральные данные не только различают разные типы почвенного покрова, но также предоставляют подробные характеристики каждого почвенного покрова, такие как полезные ископаемые, почва, искусственные сооружения (здания, дороги и т. Д.) И типы растительности.
При работе с данными HyperSpectral одним из недостатков..
Собственные векторы и собственные значения и их использование в анализе главных компонентов - Машинное обучение
Собственные векторы и собственные значения имеют множество важных приложений в различных областях информатики. Хорошо известными примерами являются геометрические преобразования 2D- и 3D-объектов, используемые в программном обеспечении для моделирования, или Eigenfaces для распознавания лиц, PCA (анализ главных компонентов) для уменьшения размерности в компьютерном зрении и машинном обучении в целом.
В этой статье давайте обсудим, что такое собственные векторы и собственные значения и..
Комплексное руководство по анализу основных компонентов
Теоретическая и практическая часть анализа главных компонентов с использованием Python.
Table of Contents
1. Introduction
2. Principal Component Analysis (PCA)
3. Theory
3.1. Calculating PCA
3.1.1. Rescaling (Standardization)
3.1.2. Covariance Matrix
3.1.3. Eigenvalues and Eigenvectors
3.1.4. Sorting in Descent Order
3.2. Is PCA one of the feature extraction&feature selection methods?
4. Implementation
4.1. Traditional Machine Learning Approaches
4.2. Deep Learning Approaches
5. PCA..
Анализ клиентов на Arvato Dataset
Первая часть этого проекта анализирует демографические данные клиентов компании по продаже почтовых услуг в Германии и сравнивает их с демографическими данными для населения в целом. Основная цель - выявить те слои населения, которые с большей вероятностью станут клиентами компании. Общие данные о населении и клиентах будут очищены, будет применен PCA, и данные будут разделены на кластеры с помощью KMeans. Будет выполнено сравнение кластеров, чтобы увидеть, какие сегменты населения в..
