Зміст курсу
Метод Головних Компонент
Метод Головних Компонент
Стандартизація
Нарешті, почнемо з аналізу математичної моделі PCA.
Перш за все, ми почнемо зі стандартизації даних, з якими працюватиме алгоритм. Під стандартизацією мається на увазі зведення всіх неперервних змінних до набору, де середнє значення буде дорівнювати 0.
Це важливий крок, оскільки PCA не може працювати належним чином, якщо в наборі даних є змінна з діапазоном значень 0-20 і 100-10 000, наприклад. PCA почне "ігнорувати" характеристику з невеликим розкидом (0-20), і вона не зможе вплинути на результат алгоритму.
Формула для стандартизації даних дуже проста. Відніміть від значення змінної середнє значення і розділіть результат на стандартне відхилення:
Бібліотека Python scikit-learn дозволяє зробити це в 1 рядок:
Завдання
Реалізувати стандартизацію масиву X за допомогою numpy функцій np.mean() та np.std().
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Стандартизація
Нарешті, почнемо з аналізу математичної моделі PCA.
Перш за все, ми почнемо зі стандартизації даних, з якими працюватиме алгоритм. Під стандартизацією мається на увазі зведення всіх неперервних змінних до набору, де середнє значення буде дорівнювати 0.
Це важливий крок, оскільки PCA не може працювати належним чином, якщо в наборі даних є змінна з діапазоном значень 0-20 і 100-10 000, наприклад. PCA почне "ігнорувати" характеристику з невеликим розкидом (0-20), і вона не зможе вплинути на результат алгоритму.
Формула для стандартизації даних дуже проста. Відніміть від значення змінної середнє значення і розділіть результат на стандартне відхилення:
Бібліотека Python scikit-learn дозволяє зробити це в 1 рядок:
Завдання
Реалізувати стандартизацію масиву X за допомогою numpy функцій np.mean() та np.std().
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Стандартизація
Нарешті, почнемо з аналізу математичної моделі PCA.
Перш за все, ми почнемо зі стандартизації даних, з якими працюватиме алгоритм. Під стандартизацією мається на увазі зведення всіх неперервних змінних до набору, де середнє значення буде дорівнювати 0.
Це важливий крок, оскільки PCA не може працювати належним чином, якщо в наборі даних є змінна з діапазоном значень 0-20 і 100-10 000, наприклад. PCA почне "ігнорувати" характеристику з невеликим розкидом (0-20), і вона не зможе вплинути на результат алгоритму.
Формула для стандартизації даних дуже проста. Відніміть від значення змінної середнє значення і розділіть результат на стандартне відхилення:
Бібліотека Python scikit-learn дозволяє зробити це в 1 рядок:
Завдання
Реалізувати стандартизацію масиву X за допомогою numpy функцій np.mean() та np.std().
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівДякуємо за ваш відгук!
Нарешті, почнемо з аналізу математичної моделі PCA.
Перш за все, ми почнемо зі стандартизації даних, з якими працюватиме алгоритм. Під стандартизацією мається на увазі зведення всіх неперервних змінних до набору, де середнє значення буде дорівнювати 0.
Це важливий крок, оскільки PCA не може працювати належним чином, якщо в наборі даних є змінна з діапазоном значень 0-20 і 100-10 000, наприклад. PCA почне "ігнорувати" характеристику з невеликим розкидом (0-20), і вона не зможе вплинути на результат алгоритму.
Формула для стандартизації даних дуже проста. Відніміть від значення змінної середнє значення і розділіть результат на стандартне відхилення:
Бібліотека Python scikit-learn дозволяє зробити це в 1 рядок:
Завдання
Реалізувати стандартизацію масиву X за допомогою numpy функцій np.mean() та np.std().
Перейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантівПерейдіть на комп'ютер для реальної практикиПродовжуйте з того місця, де ви зупинились, використовуючи один з наведених нижче варіантів