Cara PCA Menemukan Komponen
Arah varians secara intuitif
Cara PCA Menemukan Komponen adalah pelajaran Data Science Academy gratis di CoddyKit. Ini adalah pelajaran 2 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Data Science Academy, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Data Science Academy mencakup 4 pelajaran total.
Varians Adalah Informasi
PCA berawal dari satu gagasan: arah tempat data Anda paling menyebar membawa informasi paling banyak. Penyebaran tersebut disebut variance.
Temukan Penyebaran Terbesar
PCA mencari satu sumbu tempat titik-titik paling banyak berubah. Arah tersebut menjadi first principal component.
Lalu Bergerak Tegak Lurus
Sumbu berikutnya harus tegak lurus terhadap sumbu pertama, sambil menangkap penyebaran tersisa sebanyak mungkin. Setiap komponen baru bersifat orthogonal terhadap komponen lainnya.
Komponen Adalah Sumbu Baru
Bersama-sama, arah tersebut membentuk sistem koordinat baru. Setiap principal component merupakan gabungan fitur asli Anda, bukan sekadar satu kolom.
Diurutkan Berdasarkan Kepentingan
PCA mengurutkan komponen berdasarkan jumlah varians yang ditangkapnya, sehingga beberapa komponen pertama memuat sebagian besar sinyal, sedangkan beberapa komponen terakhir sebagian besar memuat derau.
Proyeksikan ke Komponen
Untuk mengecilkan data, Anda project data tersebut ke komponen teratas, mengganti banyak kolom asli dengan beberapa skor yang informatif.
Rasio Varians yang Dijelaskan
Explained variance ratio menunjukkan bagian dari total penyebaran yang dipertahankan oleh setiap komponen, sehingga Anda dapat melihat seberapa banyak pengurangan yang diperoleh.
Lakukan Fit di scikit-learn
Di scikit-learn, Anda menentukan jumlah komponen yang diinginkan, lalu fit_transform mengubah tabel lebar Anda menjadi skor yang ringkas.
from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(X)Baca Rasionya
Setelah fitting, periksa explained_variance_ratio_ untuk melihat jumlah yang dipertahankan oleh setiap komponen. Menjumlahkannya menunjukkan total variance yang dipertahankan.
pca = PCA(n_components=2).fit(X)
print(pca.explained_variance_ratio_)Komponen Bersifat Linear
Setiap komponen merupakan jumlah berbobot dari berbagai fitur, sehingga PCA hanya menangkap struktur linear. Pola melengkung memerlukan alat lain.
Kompresi, Bukan Keajaiban
Anda menukar sedikit akurasi dengan jumlah kolom yang jauh lebih sedikit. Komponen yang dibuang memiliki varians paling kecil, sehingga loss biasanya kecil.
Pemeriksaan Singkat
Satu aturan menentukan arah yang dipilih PCA terlebih dahulu.
Ringkasan
PCA menemukan sumbu ortogonal dengan varians maksimum, mengurutkannya, lalu memproyeksikan data ke sumbu teratas untuk memampatkannya. 🎯
Pertanyaan yang Sering Diajukan
Apakah pelajaran “Cara PCA Menemukan Komponen” gratis?
Ya — teks lengkap “Cara PCA Menemukan Komponen” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Data Science Academy, upgrade ke CoddyKit PRO. Kursus Data Science Academy mencakup 4 pelajaran total.
Apa yang akan aku pelajari di “Cara PCA Menemukan Komponen”?
Arah varians secara intuitif Kamu berlatih Data Science Academy dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.
Apakah aku perlu pengalaman untuk memulai Data Science Academy?
Tidak diperlukan pengalaman sebelumnya. Data Science Academy di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 2 dari 4.
Berapa lama pelajaran “Cara PCA Menemukan Komponen” memakan waktu?
Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.
Bisakah aku menulis dan menjalankan kode dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.
Semua pelajaran dalam kursus ini
- Dampak Terlalu Banyak Fitur
- Cara PCA Menemukan Komponen
- Skalakan Dahulu, Lalu Sesuaikan PCA
- Memilih Komponen dengan Grafik Scree