Principal Component Analysis in Machine Learning

Метод главных компонент в машинном обучении

Метод главных компонент (principal component analysis, PCA) является методом машинного обучения для уменьшения размерности. Эта техника с помощью простой матрицы из линейной алгебры и статистики вычисляет предсказание исходных данных в том же количестве или меньшем количестве измерений.

Метод главных компонент - это неконтролируемый инструмент машинного обучения. Он используется для исследовательского анализа данных в машинном обучении для построения прогнозных моделей, а также для проверки взаимосвязей между наборами переменных. Благодаря этому он довольно популярен среди различных AI-стартапов.

Математические концепции, которые используются в PCA:

• собственные значения и собственные векторы
• дисперсия и ковариация

Различные термины, используемые для описания алгоритмов РСА:

• Собственные векторы: Определяет данные переменные как квадратную матрицу M и ненулевой вектор v. В этом сценарии v будет собственным вектором, если Av является скалярным кратным v.
• Размерность: Это различное количество признаков и переменных, которые присутствуют в наборе данных.
• Ковариационная матрица: Это не что иное, как матрица, содержащая ковариацию между парой переменных.
• Ортогональная: используется для определения переменных, когда они не коррелируют друг с другом.
• Корреляция: Определяет взаимосвязь между переменными.

Метод главных компонент применяется в различных отраслях для поиска скрытых закономерностей, когда данные имеют высокую размерность:

• Финансы
• Добыча данных
• Психология
• Компьютерное зрение
• Сжатие изображений
• Распознавание лиц
• Нейронаука

Заключение

Таким образом, мы можем сделать вывод, что это широко распространенный и используемый метод обучения без контроля для уменьшения размерности.

Источник: medium.com

Комментарии: