Як ви кодуєте аналіз основних компонентів?

Для чого використовується PCA в Python? Аналіз головних компонентів (PCA) є використовується для зменшення розмірності наборів даних, щоб вони стали меншим набором змінних, але все ще представляли значну інформацію про набори. Це полегшує візуалізацію багатовимірних даних або прискорює навчання моделі машинного навчання в Python.

Для PCA ви можете почати з абзацу про дисперсію та діаграми осипів, після чого слідувати абзац про навантаження для PC1, потім абзац про навантаження на PC2 тощо. Після цього слідували б абзаци про вибіркові оцінки для кожного ПК, по одному абзацу для кожного ПК.

Існує кілька етапів обчислення PCA:

1. Стандартизація ознак. …
2. Отримайте розрахунок коваріаційної матриці. …
3. Обчисліть власний розклад коваріаційної матриці. …
4. Відсортуйте власні вектори від найвищого власного значення до найменшого. …
5. Виберіть кількість головних компонентів.

Покрокове пояснення PCA

1. Крок 1: Стандартизація. …
2. Крок 2: Обчислення коваріаційної матриці. …
3. Крок 3: обчисліть власні вектори та власні значення коваріаційної матриці, щоб ідентифікувати головні компоненти. …
4. Крок 4: Створіть вектор ознак. …
5. Крок 5: Переформатуйте дані вздовж осей головних компонентів.

PCA є елемент кодування, який використовується для пов’язування транзакцій зі стратегічною (програмною) структурою агентства (див. Структуру класифікації даних на сторінці довідкової інформації USAS).

PCA в деталях

1. Обчисліть коваріаційну матрицю X точок даних.
2. Обчислити власні вектори та відповідні власні значення.
3. Відсортуйте власні вектори відповідно до їхніх власних значень у порядку зменшення.
4. Виберіть перші k власних векторів, і це будуть нові k виміри.