Principal Component Analysis in Machine Learning |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2021-09-17 16:00 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 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. Метод главных компонент применяется в различных отраслях для поиска скрытых закономерностей, когда данные имеют высокую размерность: • Финансы Заключение Таким образом, мы можем сделать вывод, что это широко распространенный и используемый метод обучения без контроля для уменьшения размерности. Источник: medium.com Комментарии: |
|