Principala analiză a componentelor (PCA) este o tehnică statistică utilizată pentru a reduce dimensiunea datelor, păstrând în același timp cea mai mare parte a varianței sale. Este utilizată pe scară largă în analiza datelor, învățarea mașinii și recunoașterea modelelor. Implementarea PCA cu biblioteci precum NumPy și SciPy permite calcularea și înțelegerea eficientă a structurii de date subiacente.

Înțelegerea analizei principale a componentelor

PCA transformă un set de variabile corelate într-un număr mai mic de variabile necorelate numite componente principale. Aceste componente sunt comandate astfel încât primele puține păstrează cea mai mare parte a variației prezente în setul de date original. Acest proces implică calcularea matricei de caorvareză, găsirea valorilor sale de elegență și egenvectors, și proiectarea datelor pe componentele principale.

Implementarea APC cu NumPy și SciPy

Pentru a efectua PCA, începe prin standardizarea datelor, apoi calcula matricea de covariaţie. Apoi, găsiţi valorile de egengenţă şi egenvectorii acestei matrice. Eigenvectorii reprezintă direcţiile de variaţie maximă, iar valorile de egengenţă indică cantitatea de variaţie în fiecare direcţie. În cele din urmă, proiectaţi datele pe egenvectorii selectaţi pentru a obţine componentele principale.

Etapele implementării APC

  • Standardizează datele pentru a avea variaţia mediei zero şi a unităţii.
  • Calculează matricea de caorar care utilizează np.cov.
  • Calculează valorile de egengență și egenvectorii cu spici.linalg.eigh.
  • Sortează egenvectorii pe baza valorilor de egengenţă în ordine descendentă.
  • Proiectează datele pe eigenvectorii selectați pentru a reduce dimensiunea.