Анализ главных компонентов

От / / Оставьте комментарий

Анализ основных компонентов PCA (анализ главных компонент) — метод уменьшения размерности данных, основанный на разложении ковариационной матрицы.  Цель PCA — […]

Dimension reduction, Matrix decompositions, Матричное разложение, уменьшение размерности

Анализ основных компонентов

  • PCA (анализ главных компонент) — метод уменьшения размерности данных, основанный на разложении ковариационной матрицы. 
  • Цель PCA — выделить главные компоненты, которые содержат большую часть общей дисперсии данных. 
  • PCA может быть использован для уменьшения размерности данных и обнаружения неожиданных линейных зависимостей между элементами. 
  • Метод основан на разложении ковариационной матрицы на вклады, связанные с каждым главным компонентом. 
  • PCA является оптимальным ортогональным преобразованием для сохранения подпространства с наибольшей дисперсией. 
  • Однако метод чувствителен к масштабированию переменных и может быть несколько произвольным. 
  • PCA используется в распознавании образов и количественной оценке расстояния между классами. 
  • Пересказана только часть статьи. Для продолжения перейдите к чтению оригинала. 

Полный текст статьи:

Анализ главных компонентов — Википедия

Похожие статьи:

  1. Скорость обучения Скорость обучения Основные понятия машинного обучения Контролируемое обучение: обучение с заранее определенными целями и критериями оценки. ...
  2. Уменьшение размерности Уменьшение габаритов Основы уменьшения размерности Уменьшение размерности — это процесс преобразования многомерных данных в более низкую...
  3. Международная конференция по машинному обучению Международная конференция по машинному обучению Основные подходы к обучению в ИИ Контролируемое обучение: обучение с заранее...
  4. Список наборов данных для исследований в области машинного обучения Список наборов данных для исследований в области машинного обучения Контролируемое обучение Обучение с заранее подготовленными данными,...
  5. Мультимодальное обучение Мультимодальное обучение Контролируемое обучение Обучение с заранее определенными целями и критериями оценки.  Включает методы, такие как...
  6. Масштабирование функций Масштабирование объектов Контролируемое обучение Обучение с заранее определенными целями и критериями оценки.  Включает методы классификации, регрессии,...
  7. Независимый анализ компонентов Независимый анализ компонентов Основы ICA ICA — это метод, который позволяет извлекать независимые компоненты из смеси...
  8. Неотрицательная матричная факторизация Неотрицательная матричная факторизация Основы неотрицательной матричной факторизации NMF — это метод разложения матрицы на неотрицательные факторы,...
  9. GDDR SDRAM GDDR SDRAM (оперативная память) Основные понятия в области памяти Согласованность памяти: обеспечение целостности данных при их...
  10. Ю-Нет U-Образная сетка Контролируемое обучение Обучение с заранее определенными целями и критериями оценки.  Включает методы, такие как...
  11. Многолинейное подпространственное обучение Многолинейное обучение в подпространстве Основы многолинейного изучения подпространства Многолинейное изучение подпространства используется для выявления причинно-следственных связей...
  12. Дополненная матрица Расширенная матрица Определение и использование расширенной матрицы Расширенная матрица — это матрица, которая включает в себя...
  13. Нормальная форма Смита Нормальная форма Смита Нормальная форма Смита — это нормальная форма матрицы, которая может быть определена для...
  14. Точность (статистика) Точность (статистика) Определение матрицы точности Матрица точности является обратной ковариационной матрице или дисперсии.  Для одномерных распределений...
  15. Единый модуль Единый модуль Определение и свойства однородных модулей Однородный модуль — это модуль, в котором каждый подмодуль...
  16. Разложение Холецкого Разложение по Холецкому Основы разложения Холецкого Разложение Холецкого — это метод факторизации матрицы A в произведение...
  17. Логарифм матрицы Логарифм матрицы Определение и свойства логарифма матрицы Логарифм матрицы — это матрица, обратная к экспоненциальной матрице. ...
  18. Наименьшие квадраты Наименьшие квадраты Метод наименьших квадратов (МНК) используется для оценки параметров в регрессионных моделях.  МНК минимизирует сумму...

Оставьте комментарий

Прокрутить вверх