Domande taggate «pca»

L'analisi dei componenti principali (PCA) è una tecnica di riduzione dimensionale lineare. Riduce un set di dati multivariato a un set più piccolo di variabili costruite preservando quante più informazioni (più varianza) possibile. Queste variabili, chiamate componenti principali, sono combinazioni lineari delle variabili di input.

L'ottimizzazione della PCA è convessa?

La funzione oggettiva dell'analisi dei componenti principali (PCA) è ridurre al minimo l'errore di ricostruzione nella norma L2 (vedere la sezione 2.12 qui . Un'altra visione sta cercando di massimizzare la varianza sulla proiezione. Abbiamo anche un post eccellente qui: qual è la funzione oggettiva della PCA ? ). La …

12 machine-learning pca optimization convex

Perché utilizziamo PCA per accelerare gli algoritmi di apprendimento quando potremmo semplicemente ridurre il numero di funzionalità?

In un corso di apprendimento automatico, ho imparato che un uso comune di PCA ( Principal Component Analysis ) è quello di accelerare altri algoritmi di apprendimento automatico. Ad esempio, immagina di allenare un modello di regressione logistica. Se hai un set di addestramento per i da 1 a n …

12 machine-learning pca

Passaggi eseguiti nell'analisi fattoriale rispetto ai passaggi eseguiti in PCA

So come eseguire PCA (analisi dei componenti principali), ma vorrei conoscere i passaggi che dovrebbero essere utilizzati per l'analisi dei fattori. Per eseguire la PCA, consideriamo una matrice , ad esempio:AAA 3 1 -1 2 4 0 4 -2 -5 11 22 20 Ho calcolato la sua matrice di correlazione …

12 pca factor-analysis algorithms

Selezione del modello PCA tramite AIC (o BIC)

Voglio utilizzare l'Akaike Information Criterion (AIC) per scegliere il numero appropriato di fattori da estrarre in un PCA. L'unico problema è che non sono sicuro di come determinare il numero di parametri. Considera una matrice , dove rappresenta il numero di variabili e il numero di osservazioni, in modo tale …

12 pca model-selection

PCA e foreste casuali

Per una recente competizione di Kaggle, ho definito (manualmente) 10 funzioni aggiuntive per il mio set di allenamento, che sarebbero state utilizzate per addestrare un classificatore di foreste casuale. Ho deciso di eseguire PCA sul set di dati con le nuove funzionalità, per vedere come si confrontavano tra loro. Ho …

12 classification pca random-forest

Posso usare PCA per selezionare le variabili per l'analisi dei cluster?

Devo ridurre il numero di variabili per condurre un'analisi del cluster. Le mie variabili sono fortemente correlate, quindi ho pensato di fare un PCA di analisi fattoriale (analisi dei componenti principali). Tuttavia, se uso i punteggi risultanti, i miei cluster non sono del tutto corretti (rispetto alle precedenti classificazioni in …

12 clustering pca feature-selection factor-analysis

Che cosa massimizzano i primi fattori

Nell'analisi dei componenti principali, i primi componenti principali sono le direzioni ortogonali con la varianza massima. In altre parole, il primo componente principale viene scelto per essere la direzione della varianza massima, il secondo componente principale viene scelto per essere la direzione ortogonale alla prima con la varianza massima e …

12 pca factor-analysis

Come utilizzare l'analisi dei componenti principali per selezionare le variabili per la regressione?

Attualmente sto utilizzando l'analisi dei componenti principali per selezionare le variabili da utilizzare nella modellazione. Al momento, eseguo le misurazioni A, B e C nei miei esperimenti - Quello che voglio davvero sapere è: posso fare meno misurazioni e interrompere la registrazione di C e o B per risparmiare tempo …

12 regression pca model-selection

Differenza tra implementazioni di scikit-learning di PCA e TruncatedSVD

Comprendo la relazione tra l'analisi delle componenti principali e la decomposizione del valore singolare a livello algebrico / esatto. La mia domanda riguarda l' implementazione di scikit-learn . La documentazione dice: " [TruncatedSVD] è molto simile al PCA, ma opera direttamente sui vettori di campione, anziché su una matrice di …

12 pca scikit-learn svd scipy

Come scegliere un kernel per il kernel PCA?

Quali sono i modi per scegliere quale kernel comporterebbe una buona separazione dei dati nell'output finale dei dati dal kernel PCA (analisi dei componenti principali) e quali sono i modi per ottimizzare i parametri del kernel? I termini di Layman, se possibile, sarebbero molto apprezzati e anche i collegamenti a …

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

Esecuzione di PCA con solo una matrice di distanza

Voglio raggruppare un enorme set di dati per il quale ho solo le distanze a coppie. Ho implementato un algoritmo k-medoids, ma ci vuole troppo tempo per essere eseguito, quindi vorrei iniziare riducendo la dimensione del mio problema applicando PCA. Tuttavia, l'unico modo che conosco per eseguire questo metodo è …

12 pca dimensionality-reduction multidimensional-scaling

Le soluzioni PCA sono uniche?

Quando eseguo PCA su un determinato set di dati, la soluzione che mi viene proposta è unica? Vale a dire, ottengo un insieme di coordinate 2d, basate sulle distanze tra punti. È possibile trovare almeno un'altra disposizione dei punti che soddisfano questi vincoli? Se la risposta è sì, come posso …

12 pca

Come eseguire PCA per dati di altissima dimensionalità?

Per eseguire l'analisi dei componenti principali (PCA), è necessario sottrarre i dati di ciascuna colonna dai dati, calcolare la matrice del coefficiente di correlazione e quindi trovare gli autovettori e gli autovalori. Bene, piuttosto, questo è quello che ho fatto per implementarlo in Python, tranne per il fatto che funziona …

12 pca python

Esiste un valore nella riduzione della dimensionalità di un set di dati in cui tutte le variabili sono approssimativamente ortogonali?

Supponiamo di avere un set di dati dimensionale dove dimensioni sono approssimativamente ortogonale (avere correlazione zero).NNNNNNN C'è qualche utilità in termini di: visualizzazione Rappresentazione (per efficienza classificatore) O altri criteri eseguire la riduzione della dimensionalità sui dati?

11 pca dimensionality-reduction

Qual è la differenza tra "caricamenti" e "caricamenti di correlazione" in PCA e PLS?

Una cosa comune da fare quando si esegue l'analisi dei componenti principali (PCA) è tracciare due carichi uno contro l'altro per studiare le relazioni tra le variabili. Nel documento che accompagna il pacchetto PLS R per eseguire la regressione dei componenti principali e la regressione del PLS c'è un diagramma …

11 r pca terminology partial-least-squares biplot

Utilizzando il nostro sito, riconosci di aver letto e compreso le nostre Informativa sui cookie e Informativa sulla privacy.

Licensed under cc by-sa 3.0 with attribution required.