Тепер ми ознайомилися з усіма етапами алгоритму PCA: стандартизація даних, розрахунок коваріаційної матриці, розрахунок власних значень, власних векторів, формування вектора ознак і подальше застосування результатів до даних.

Отже, як бачимо, головні компоненти є лінійними комбінаціями вихідних змінних з набору даних. Це одна з основних ідей, яку важливо пам'ятати. Також, як ви могли помітити, ми використовували PCA лише для роботи з безперервними даними. У наступних розділах ми з'ясуємо чому.

Ми побачили, що Python має всі інструменти, необхідні для покрокової реалізації методу головних компонент. Як ми бачили в попередніх розділах, створення моделі PCA можна зробити в 1 рядок, але тут ми хотіли показати трохи більше деталей, які стоять за цим процесом.

У наступних розділах ми зможемо вирішити проблему зменшення розмірності даних на великому наборі даних.