Miten PCA löytää komponentit
Varianssin suunnat intuitiivisesti
Miten PCA löytää komponentit on ilmainen Data Science Academy-oppitunti CoddyKitissä. Tämä on oppitunti 2/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Data Science Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Varianssi on tietoa
PCA perustuu yhteen ajatukseen: suunnat, joissa data leviää eniten, sisältävät eniten tietoa. Tätä hajontaa kutsutaan variance-varianssiksi.
Etsi suurin hajonta
PCA etsii yhden akselin, jonka suunnassa pisteet vaihtelevat eniten. Tästä suunnasta tulee first principal component ensimmäinen pääkomponentti.
Siirry sitten kohtisuoraan
Seuraavan akselin on oltava suorassa kulmassa ensimmäiseen nähden ja samalla kuvattava mahdollisimman suuri osa jäljellä olevasta hajonnasta. Jokainen uusi komponentti on orthogonal kohtisuorassa muita vastaan.
Komponentit ovat uusia akseleita
Yhdessä nämä suunnat muodostavat uuden koordinaatiston. Jokainen principal component pääkomponentti on alkuperäisten ominaisuuksiesi yhdistelmä, ei vain yksi sarake.
Järjestetty tärkeyden mukaan
PCA järjestää komponentit sen mukaan, kuinka paljon varianssia kukin selittää. Siksi ensimmäiset sisältävät suurimman osan signaalista ja viimeiset enimmäkseen kohinaa.
Projisoi komponenteille
Datasi pienentämiseksi project-projisoit sen tärkeimmille komponenteille ja vaihdat monet alkuperäiset sarakkeet muutamaksi informatiiviseksi pistemääräksi.
Selitetyn varianssin suhde
explained variance ratio -selitetyn varianssin suhde kertoo, kuinka suuren osan kokonaisvaihtelusta kukin komponentti säilyttää, joten näet, kuinka paljon tietoa säästyy.
Sovita scikit-learnissa
scikit-learnissa asetat haluamiesi komponenttien määrän, minkä jälkeen fit_transform muuttaa leveän taulukkosi tiiviiksi pistemääriksi.
from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(X)Lue suhteet
Tarkista sovituksen jälkeen explained_variance_ratio_ nähdäksesi, kuinka paljon kukin komponentti säilytti. Niiden summa kertoo säilytetyn variance-varianssin kokonaismäärän.
pca = PCA(n_components=2).fit(X)
print(pca.explained_variance_ratio_)Komponentit ovat lineaarisia
Jokainen komponentti on ominaisuuksien painotettu summa, joten PCA kuvaa vain linear-lineaarista rakennetta. Kaarevat rakenteet tarvitsevat muita työkaluja.
Tiivistystä, ei taikuutta
Vaihdat hieman tarkkuutta huomattavasti pienempään sarakemäärään. Poistetut komponentit sisältävät vähiten varianssia, joten loss-tiedon menetys on yleensä pieni.
Pikatarkistus
Yksi sääntö ratkaisee, minkä suunnan PCA valitsee ensimmäiseksi.
Kertaus
PCA etsii suurimman varianssin kohtisuorat akselit, järjestää ne ja projisoi datan tärkeimmille akseleille sen tiivistämiseksi. 🎯
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Miten PCA löytää komponentit” ilmainen?
Kyllä – oppitunnin ”Miten PCA löytää komponentit” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Data Science Academy-kurssin, päivitä CoddyKit PROhon. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Miten PCA löytää komponentit”?
Varianssin suunnat intuitiivisesti Harjoittelet Data Science Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Data Science Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Data Science Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 2/4.
Kuinka kauan ”Miten PCA löytää komponentit”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Data Science Academy-oppitunnilla?
Kyllä. Jokainen Data Science Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Liian monen ominaisuuden ongelma
- Miten PCA löytää komponentit
- Skaalaa ensin ja sovita sitten PCA
- Valitse komponentit scree-kaavioilla