تجزیه و تحلیل اصلی (PCA) یک تکنیک آماری است که برای کاهش ابعاد داده ها استفاده می شود در حالی که حفظ اکثر تفاوت های آن به طور گسترده ای در تجزیه و تحلیل داده ها، یادگیری ماشین و شناخت الگو استفاده می شود. پیاده سازی PCA با کتابخانه هایی مانند NumPy و SciPy اجازه می دهد تا محاسبات کارآمد و درک ساختار داده های زیر را به طور گسترده ای استفاده کند.

درک تحلیل اصلی

PCA مجموعه ای از متغیرهای مرتبط را به تعداد کوچکتر متغیرهای مرتبط با عدمcor به نام اجزای اصلی تبدیل می کند، به طوری که اولین تعداد کمی از تغییرات موجود در مجموعه داده های اصلی را حفظ می کنند.این فرایند شامل محاسبه ماتریس c تخمدان، پیدا کردن eigenvalues و eigenvectors، و پروژه داده ها بر روی اجزای اصلی است.

پیاده سازی PCA با NumPy و SciPy

برای انجام PCA، با استاندارد کردن داده ها شروع کنید، سپس ماتریس c تخمدان را محاسبه کنید، سپس eigenValues و eigenvectors این ماتریس را پیدا کنید. eigenvectors نشان دهنده جهت حداکثر تفاوت ها هستند و eigenvalues نشان دهنده میزان اختلاف در هر جهت است.

گام های PCA پیاده سازی

  • استاندارد کردن داده ها برای داشتن صفر معنی و تقسیم بندی واحد.
  • از طریق استفاده از ، ، را به صورت خودکار ثبت کنید.
  • و با استفاده از |FLT:0|FLT|ealg|eigh
  • eigenvectors را بر اساس eigenvalues در دستور نزولی دسته بندی کنید.
  • داده ها را بر روی eigenvectors انتخاب شده برای کاهش ابعاد.