Câu hỏi được gắn thẻ «pca»

Phân tích thành phần chính (PCA) là một kỹ thuật giảm kích thước tuyến tính. Nó giảm một tập dữ liệu đa biến thành một tập hợp nhỏ hơn các biến được xây dựng bảo tồn càng nhiều thông tin (càng nhiều phương sai) càng tốt. Các biến này, được gọi là các thành phần chính, là sự kết hợp tuyến tính của các biến đầu vào.

Tại sao chúng ta sử dụng PCA để tăng tốc thuật toán học tập khi chúng ta có thể giảm số lượng tính năng?

Trong một khóa học về máy học, tôi đã học được rằng một cách sử dụng phổ biến của PCA ( Phân tích thành phần chính ) là tăng tốc các thuật toán học máy khác. Ví dụ, hãy tưởng tượng bạn đang đào tạo một mô hình hồi quy …

12 machine-learning pca

Gói GBM so với Caret sử dụng GBM

Tôi đã điều chỉnh mô hình bằng cách sử dụng caret, nhưng sau đó chạy lại mô hình bằng gbmgói. Theo hiểu biết của tôi rằng caretgói sử dụng gbmvà đầu ra phải giống nhau. Tuy nhiên, chỉ cần chạy thử nhanh bằng cách sử dụng data(iris)cho thấy sự khác …

12 r caret gbm matrix linear-algebra logistic modeling logit ordered-logit r confidence-interval survival population weibull classification separation hypothesis-testing correlation statistical-significance p-value python r data-visualization r regression multiple-regression chi-squared multivariate-analysis distributions random-variable experiment-design distributions poisson-regression residuals excel time-series garch var survival modeling cox-model interaction r pca normality-assumption

Các bước thực hiện trong phân tích nhân tố so với các bước thực hiện trong PCA

Tôi biết cách thực hiện PCA (phân tích thành phần chính), nhưng tôi muốn biết các bước nên được sử dụng để phân tích nhân tố. Để thực hiện PCA, chúng ta hãy xem xét một số ma trận , ví dụ:MộtMộtA 3 1 -1 2 4 0 4 -2 …

12 pca factor-analysis algorithms

Lựa chọn mô hình PCA bằng AIC (hoặc BIC)

Tôi muốn sử dụng Tiêu chí Thông tin Akaike (AIC) để chọn số lượng yếu tố thích hợp để trích xuất trong PCA. Vấn đề duy nhất là tôi không chắc chắn làm thế nào để xác định số lượng tham số. Hãy xem xét một ma trận X , …

12 pca model-selection

PCA và rừng ngẫu nhiên

Đối với một cuộc thi Kaggle gần đây, tôi (thủ công) đã xác định 10 tính năng bổ sung cho tập huấn luyện của mình, sau đó sẽ được sử dụng để huấn luyện một trình phân loại rừng ngẫu nhiên. Tôi quyết định chạy PCA trên bộ dữ liệu …

12 classification pca random-forest

Tôi có thể sử dụng PCA để thực hiện lựa chọn biến để phân tích cụm không?

Tôi phải giảm số lượng biến để tiến hành phân tích cụm. Các biến của tôi có mối tương quan mạnh, vì vậy tôi nghĩ sẽ thực hiện PCA Phân tích nhân tố (phân tích thành phần chính). Tuy nhiên, nếu tôi sử dụng điểm số kết quả, các cụm …

12 clustering pca feature-selection factor-analysis

Làm gì các yếu tố

Trong phân tích thành phần chính, thành phần chính đầu tiên là hướng k trực giao với phương sai tối đa. Nói cách khác, thành phần chính thứ nhất được chọn là hướng của phương sai tối đa, thành phần chính thứ hai được chọn là hướng trực giao với …

12 pca factor-analysis

Làm thế nào để sử dụng phân tích thành phần chính để chọn các biến cho hồi quy?

Tôi hiện đang sử dụng phân tích thành phần chính để chọn các biến để sử dụng trong mô hình hóa. Hiện tại, tôi thực hiện các phép đo A, B và C trong các thí nghiệm của mình - Điều tôi thực sự muốn biết là: Tôi có thể …

12 regression pca model-selection

Sự khác biệt giữa triển khai PCA và TruncatedSVD

Tôi hiểu mối quan hệ giữa Phân tích thành phần chính và Phân tách giá trị số đơn ở cấp độ đại số / chính xác. Câu hỏi của tôi là về việc thực hiện scikit-learn . Tài liệu nói: " [TruncatedSVD] rất giống với PCA, nhưng hoạt động trực …

12 pca scikit-learn svd scipy

Làm thế nào để chọn kernel cho PCA kernel?

Các cách để chọn hạt nhân nào sẽ dẫn đến sự phân tách dữ liệu tốt trong đầu ra dữ liệu cuối cùng bằng kernel PCA (phân tích thành phần chính) và các cách để tối ưu hóa các tham số của hạt nhân là gì? Các điều khoản của …

12 pca cross-validation dimensionality-reduction kernel-trick manifold-learning

Thực hiện PCA chỉ với một ma trận khoảng cách

Tôi muốn phân cụm một tập dữ liệu lớn mà tôi chỉ có khoảng cách theo cặp. Tôi đã triển khai thuật toán k-medoid, nhưng nó mất quá nhiều thời gian để chạy nên tôi muốn bắt đầu bằng cách giảm kích thước của vấn đề bằng cách áp dụng …

12 pca dimensionality-reduction multidimensional-scaling

Các giải pháp PCA là duy nhất?

Khi tôi chạy PCA trên một tập dữ liệu nhất định, giải pháp được cung cấp cho tôi có phải là duy nhất không? Tức là tôi có được một tập hợp tọa độ 2d, dựa trên khoảng cách điểm. Có thể tìm thấy ít nhất một sự sắp xếp …

12 pca

Làm thế nào để thực hiện PCA cho dữ liệu có chiều rất cao?

Để thực hiện phân tích thành phần chính (PCA), bạn phải trừ phương tiện của từng cột khỏi dữ liệu, tính toán ma trận hệ số tương quan và sau đó tìm các giá trị riêng và giá trị riêng. Chà, đúng hơn, đây là những gì tôi đã làm …

12 pca python

Ý nghĩa của lỗi tái cấu trúc của người dùng trong PCA và LDA

Tôi đang triển khai PCA, LDA và Naive Bayes, để nén và phân loại tương ứng (thực hiện cả LDA cho nén và phân loại). Tôi có mã được viết và mọi thứ hoạt động. Những gì tôi cần biết, đối với báo cáo, là định nghĩa chung về lỗi …

12 machine-learning pca terminology dimensionality-reduction discriminant-analysis

Sự khác biệt giữa tóm tắt () và loadings () cho đối tượng Princeomp () trong R là gì?

Mã ví dụ: (pc.cr <- princomp(USArrests)) summary(pc.cr) loadings(pc.cr) ## note that blank entries are small but not zero Tôi đang nhận được kết quả đầu ra khác nhau từ mỗi loại, và tôi không chắc tôi hiểu sự khác biệt là gì. Đây là đầu ra: > summary(pc.cr) Importance of …

11 r pca

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.

Licensed under cc by-sa 3.0 with attribution required.