Одразу можна перерахувати найвідоміші завдання, які вирішує РСА:

• Стиснення даних

• Візуалізація даних

• Зниження рівня шуму

Як ми дізналися з попередньої вікторини, PCA може стискати різні формати даних, від числових наборів даних з часовими рядами та характеристиками до зображень з відеокадрами.

А як щодо візуалізації даних? Ми можемо використовувати PCA для візуалізації багатовимірних даних. Це важливий крок для розробки моделі машинного навчання.

За допомогою 3D-візуалізації може бути важко зрозуміти, чи дійсно в даних є залежність, тоді як зведення даних до 2 вимірів дозволяє нам побачити, що класи дійсно є лінійно відокремлюваними, і ми можемо почати будувати нашу класифікаційну модель.

Останнє, що ми розглянемо, це зменшення шуму даних. PCA проектує дані в нижчий вимір. Як і очікувалося, при проектуванні в меншу розмірність ми втрачаємо дані, але зазвичай зберігаємо більшу частину інформації. Це робить PCA чудовим інструментом для стиснення даних і зменшення розмірності, що дійсно прискорює процес виконання аналізу машинного навчання.