Table of Contents
تجزیه و تحلیل اصلی (PCA) یک تکنیک آماری است که برای کاهش تعداد متغیرها در مجموعه داده ها استفاده می شود در حالی که حفظ اطلاعات به همان اندازه ممکن است.این ساده سازی داده های پیچیده، و آن را آسان تر تجزیه و تحلیل و تجسم این مقاله ارائه می دهد یک نمای عملی از استفاده از PCA برای کاهش ابعاد.
درک تحلیل اصلی
PCA متغیرهای اصلی را به متغیرهای جدید مرتبط با نام اجزای اصلی تبدیل می کند تا اولین تعداد کمی از تغییرات موجود در داده های اصلی را حفظ کنند.این فرآیند به شناسایی الگوها و کاهش سر و صدا کمک می کند.
گام های کاربردی PCA
- داده ها را استاندارد کنید متغیرهای مقیاسی که دارای یک معنی صفر و انحراف استاندارد از یک هستند.
- [در این باره]، [در این باره]، [مشرکان] [به صورت]، [[[۱]] [[۳]] [[۳]]] [[۳]] [[۳]]] [[۳]]] [[[۳]]]] [[۳]] [۱]] [۳] [۳] [۳] [۵] [۵] [۵] [۳] [۳] [۳] [۳] [۳] [۵] [۵] [۳] [۵] [۵] [۳] [۵] [۵] [۵] [۳] [۳] [۳] [۵] [۵] [۳]]] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [۳] [
- ارزش های ژنتیکی و Eigenvectors: جهت حداکثر اختلاف را تعیین کنید.
- اجزای اصلی انتخاب شده را انتخاب کنید اجزای بر اساس eigenvalues که بیشترین اختلاف را دارند را انتخاب کنید.
- انتقال داده ها: پروژه داده های اصلی بر روی اجزای انتخاب شده است.
برنامه های کاربردی عملی
PCA به طور گسترده ای در زمینه هایی مانند پردازش تصویر، بیوانفورماتیک و امور مالی استفاده می شود.این به کاهش پیچیدگی داده ها، تجسم داده های بالا و بهبود عملکرد مدل های یادگیری ماشین کمک می کند.