Cara PCA Mencari Komponen
Arah varians secara intuitif
Cara PCA Mencari Komponen ialah pelajaran Data Science Academy percuma di CoddyKit. Ini ialah pelajaran 2 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Data Science Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Varians Ialah Maklumat
PCA bermula dengan satu idea: arah yang paling banyak menyebarkan data membawa paling banyak maklumat. Sebaran itu dipanggil varians.
Cari Sebaran Terbesar
PCA mencari paksi tunggal yang menjadikan titik berubah paling banyak. Arah itu menjadi komponen utama pertama.
Kemudian Bergerak Serenjang
Paksi seterusnya mesti bersudut tepat dengan paksi pertama sambil menangkap sebaran baki yang paling besar. Setiap komponen baharu adalah ortogon kepada komponen lain.
Komponen Ialah Paksi Baharu
Secara bersama, arah ini membentuk sistem koordinat baharu. Setiap komponen utama ialah gabungan ciri asal anda, bukan sekadar satu lajur.
Disusun Mengikut Kepentingan
PCA menyusun komponen mengikut jumlah varians yang ditangkap oleh setiap komponen, jadi beberapa komponen pertama mengandungi kebanyakan isyarat dan beberapa komponen terakhir kebanyakannya hingar.
Unjurkan kepada Komponen
Untuk mengecilkan data, anda mengunjurkannya kepada komponen teratas, menggantikan banyak lajur asal dengan beberapa skor yang bermaklumat.
Nisbah Varians yang Diterangkan
Nisbah varians yang diterangkan memberitahu pecahan daripada jumlah sebaran yang dikekalkan oleh setiap komponen, supaya anda dapat melihat jumlah yang dijimatkan.
Latihkannya dalam scikit-learn
Dalam scikit-learn, anda menetapkan bilangan komponen yang dikehendaki, kemudian fit_transform menukarkan jadual lebar anda kepada skor padat.
from sklearn.decomposition import PCA
scores = PCA(n_components=2).fit_transform(X)Baca Nisbah
Selepas latihan, semak explained_variance_ratio_ untuk melihat jumlah yang dikekalkan oleh setiap komponen. Menjumlahkannya menunjukkan jumlah varians yang dikekalkan.
pca = PCA(n_components=2).fit(X)
print(pca.explained_variance_ratio_)Komponen Bersifat Linear
Setiap komponen ialah jumlah berwajaran bagi ciri, jadi PCA hanya menangkap struktur linear. Corak melengkung memerlukan alat lain.
Pemampatan, Bukan Sihir
Anda menukar sedikit ketepatan untuk mendapatkan jauh lebih sedikit lajur. Komponen yang digugurkan mengandungi varians paling sedikit, jadi kehilangan biasanya kecil.
Semakan Pantas
Satu peraturan menentukan arah yang dipilih oleh PCA terlebih dahulu.
Imbas Kembali
PCA mencari paksi ortogon dengan varians maksimum, menyusunnya dan mengunjurkan data kepada paksi teratas untuk memampatkannya. 🎯
Pelajari Python dengan tutor kecerdasan buatan — percuma
Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.
- Kursus
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Cara PCA Mencari Komponen” percuma?
Ya — teks penuh “Cara PCA Mencari Komponen” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Data Science Academy, tingkat taraf kepada CoddyKit PRO. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Cara PCA Mencari Komponen”?
Arah varians secara intuitif Anda berlatih Data Science Academy menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.
Adakah saya memerlukan pengalaman untuk memulakan Data Science Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Data Science Academy di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 2 daripada 4.
Berapa lamakah pelajaran “Cara PCA Mencari Komponen” diambil?
Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.
Bolehkah saya menulis dan menjalankan kod dalam pelajaran Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.
Semua pelajaran dalam kursus ini
- Sumpahan Terlalu Banyak Ciri
- Cara PCA Mencari Komponen
- Skalakan Dahulu, Kemudian Padankan PCA
- Pilih Komponen Dengan Plot Scree