Principal Component Analysis

Kurssisisältö

Principal Component Analysis

Principal Component Analysis

1. What is Principal Component Analysis

Introduction Practical Application of PCA Mathematical Idea Examples of Real Problems How to Explain the Obtained Results?

2. Basic Concepts of PCA

Standardization Covariance Matrix Eigenvalues and Eigenvectors Feature Vector and Principal Components Seeing the Big Picture

3. Model Building

Scikit-learn for PCA Explore Dataset Fit Data into the Model Challenge

4. Results Analysis

Explain Resulting Components What’s after?Data Compression Noise Reduction Image Compression

Challenge

Tehtävä

Swipe to start coding

The task is to process the dataset and create a principal component analysis model with 3 components.

Load the train.csv (from web) dataset.
Drop the 'Id' column.
Drop columns that contain NaN values.
Standardize the dataset.
Create a PCA model with 3 components for the dataset.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 4

toggle bottom row

Challenge

Tehtävä

Swipe to start coding

The task is to process the dataset and create a principal component analysis model with 3 components.

Load the train.csv (from web) dataset.
Drop the 'Id' column.
Drop columns that contain NaN values.
Standardize the dataset.
Create a PCA model with 3 components for the dataset.

Ratkaisu

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

Oliko kaikki selvää?

Kiitos palautteestasi!

Osio 3. Luku 4

Vaihda työpöytään todellista harjoitusta vartenJatka siitä, missä olet käyttämällä jotakin alla olevista vaihtoehdoista

some-alt