Wie PCA Komponenten findet
Richtungen der Varianz intuitiv verstehen
Wie PCA Komponenten findet ist eine kostenlose Data Science Academy-Lektion auf CoddyKit. Dies ist Lektion 2 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Data Science Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
Variance Is Information
PCA starts from one idea: the directions where your data spreads most carry the most information. That spread is called variance.
Find the Biggest Spread
PCA hunts for the single axis along which points vary the most. That direction becomes the first principal component.
Then Go Perpendicular
The next axis must be at right angles to the first while capturing the most remaining spread. Each new component is orthogonal to the others.
Components Are New Axes
Together these directions form a fresh coordinate system. Each principal component is a blend of your original features, not just one column.
Ranked by Importance
PCA orders components by how much variance each captures, so the first few hold the bulk of the signal and the last few hold mostly noise.
Project Onto Components
To shrink your data you project it onto the top components, swapping many original columns for a few informative scores.
Explained Variance Ratio
The explained variance ratio tells you the fraction of total spread each component keeps, so you can see how much you save.
Fit It in scikit-learn
In scikit-learn you set how many components you want, then fit_transform turns your wide table into compact scores.
from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(X)Read the Ratios
After fitting, check explained_variance_ratio_ to see how much each component kept. Summing them shows your total retained variance.
pca = PCA(n_components=2).fit(X)
print(pca.explained_variance_ratio_)Components Are Linear
Each component is a weighted sum of features, so PCA only captures linear structure. Curved patterns need other tools.
Compression, Not Magic
You trade a little accuracy for far fewer columns. Dropped components hold the least variance, so the loss is usually small.
Quick Check
One rule decides which direction PCA picks first.
Recap
PCA finds orthogonal axes of maximum variance, ranks them, and projects data onto the top ones to compress it. 🎯
Häufig gestellte Fragen
Ist die Lektion „Wie PCA Komponenten findet“ kostenlos?
Ja — der vollständige Text von „Wie PCA Komponenten findet“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Data Science Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Data Science Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Wie PCA Komponenten findet“?
Richtungen der Varianz intuitiv verstehen Du übst Data Science Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Data Science Academy zu starten?
Keine Vorkenntnisse erforderlich. Data Science Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 2 von 4.
Wie lange dauert die Lektion „Wie PCA Komponenten findet“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Data Science Academy-Lektion Code schreiben und ausführen?
Ja. Jede Data Science Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Der Fluch zu vieler Merkmale
- Wie PCA Komponenten findet
- Zuerst skalieren, dann PCA anpassen
- Komponenten mit Scree-Plots auswählen