Эпоха (в обучении) — это один полный проход алгоритма обучения через весь тренировочный набор данных. Обучение нейросети обычно требует множества эпох, чтобы веса модели достаточно скорректировалис...
PCA (Principal Component Analysis)
Бонус за регистрацию!
Зарегистрируйся и получи бонус
PCA (Principal Component Analysis, Метод главных компонент) — это статистический метод снижения размерности данных, который преобразует набор коррелирующих переменных в меньший набор некоррелирующих переменных, называемых главными компонентами. PCA находит направления (векторы) максимальной дисперсии данных, позволяя сжать информацию и визуализировать многомерные данные с минимальной потерей информации.
Что такое «PCA (Principal Component Analysis)» простыми словами
Представьте, что вы фотографируете чайник. Сверху — это круг. Сбоку — прямоугольник с носом. Данные многомерны. PCA (Метод главных компонент) находит такой ракурс (проекцию), с которого чайник виден лучше всего, где больше всего информации. Он сжимает 100 признаков в 2-3 главных «супер-признака», сохраняя суть данных. Это позволяет нарисовать на плоскости то, что живет в 100-мерном пространстве.
Вопросы и ответы
В чем суть метода PCA?
Метод снижения размерности данных с наименьшей потерей информации.
Как выбрать количество компонент в PCA?
Строят график «каменистой осыпи» (Scree plot) дисперсии. Выбирают число компонент до перегиба или столько, чтобы объяснить 95% дисперсии.
Как интерпретировать главные компоненты PCA?
Главные компоненты (PC) в PCA — это новые оси координат. PC1 — направление максимальной дисперсии данных. PC2 — направление максимальной оставшейся дисперсии, ортогональное PC1. Интерпретировать их можно, посмотрев на веса исходных признаков в каждой компоненте (loadings): какие признаки вносят наибольший вклад в эту ось.
