Публикации по теме 'principal-component'
Визуализировать анализ главных компонентов
В следующей статье я собираюсь использовать очень базовую терминологию и определения для описания анализа главных компонентов. Я всего лишь пытаюсь дать четкую визуализацию того, что на самом деле PCA делает с данными. Я не буду углубляться в математику и другие теоретические вещи. Существуют различные другие источники для изучения математики, лежащие в основе PCA. Также поделюсь полезной ссылкой в конце статьи. Итак, не теряя времени, перейдем к нашей сегодняшней теме.
Анализ..
Анализ главных компонентов — Что, почему и как?
Этот пост направлен на то, чтобы предоставить читателям более глубокое понимание анализа главных компонентов.
Введение
Мы живем в трехмерном пространстве, тогда почему мы все видим в двухмерном? Это потому, что все, что мы видим, проецируется на нашу сетчатку в виде двухмерного изображения. Если мы можем видеть только в 2D, то почему мы воспринимаем объекты как 3D? Что ж, человеческий мозг великолепен и использует различные методы, такие как восприятие глубины, воздушная..
Обзор основных принципов анализа главных компонентов (PCA)
Введение
Анализ основных компонентов (PCA) — это широко используемый статистический метод в машинном обучении и статистике, целью которого является уменьшение размерности многомерных наборов данных. Это мощный инструмент для анализа и визуализации данных, поскольку он помогает выявлять закономерности и взаимосвязи в данных. Цель PCA состоит в том, чтобы уменьшить количество признаков в наборе данных, сохраняя при этом как можно больше информации, находя новый набор некоррелированных..
Новые материалы
Объяснение документов 02: BERT
BERT представил двухступенчатую структуру обучения: предварительное обучение и тонкая настройка.
Во время предварительного обучения модель обучается на неразмеченных данных с помощью..
Как проанализировать работу вашего классификатора?
Не всегда просто знать, какие показатели использовать
С развитием глубокого обучения все больше и больше людей учатся обучать свой первый классификатор. Но как только вы закончите..
Работа с цепями Маркова, часть 4 (Машинное обучение)
Нелинейные цепи Маркова с агрегатором и их приложения (arXiv)
Автор : Бар Лайт
Аннотация: Изучаются свойства подкласса случайных процессов, называемых дискретными нелинейными цепями Маркова..
Crazy Laravel Livewire упростил мне создание электронной коммерции (панель администратора и API) [Часть 3]
Как вы сегодня, ребята?
В этой части мы создадим CRUD для данных о продукте. Думаю, в этой части я не буду слишком много делиться теорией, но чаще буду делиться своим кодом. Потому что..
Использование машинного обучения и Python для классификации 1000 сезонов новичков MLB Hitter
Чему может научиться машина, глядя на сезоны новичков 1000 игроков MLB? Это то, что исследует это приложение.
В этом процессе мы будем использовать неконтролируемое обучение, чтобы..
Учебные заметки: создание моего первого пакета Node.js
Это мои обучающие заметки, когда я научился создавать свой самый первый пакет Node.js, распространяемый через npm.
Оглавление
Глоссарий
I. Новый пакет
1.1 советы по инициализации..
Забудьте о Matplotlib: улучшите визуализацию данных с помощью умопомрачительных функций Seaborn!
Примечание. Эта запись в блоге предполагает базовое знакомство с Python и концепциями анализа данных.
Привет, энтузиасты данных! Добро пожаловать в мой блог, где я расскажу о невероятных..