Jak PCA znajduje składowe
Intuicyjne wyjaśnienie kierunków wariancji
Jak PCA znajduje składowe to bezpłatna lekcja Data Science Academy na CoddyKit. To lekcja 2 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Data Science Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Części tej lekcji nie zostały jeszcze przetłumaczone i są wyświetlane po angielsku.
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. 🎯
Często zadawane pytania
Czy lekcja „Jak PCA znajduje składowe” jest bezpłatna?
Tak — pełny tekst „Jak PCA znajduje składowe” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Data Science Academy, przejdź na CoddyKit PRO. Kurs Data Science Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Jak PCA znajduje składowe”?
Intuicyjne wyjaśnienie kierunków wariancji Ćwiczysz Data Science Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Data Science Academy?
Nie wymagamy żadnego doświadczenia. Data Science Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 2 z 4.
Ile czasu zajmuje lekcja „Jak PCA znajduje składowe”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Data Science Academy?
Tak. Każda lekcja Data Science Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Przekleństwo zbyt wielu cech
- Jak PCA znajduje składowe
- Najpierw skalowanie, potem dopasowanie PCA
- Wybieranie składowych za pomocą wykresów osypiska