การวิเคราะห์ส่วนประกอบของอาจารย์ใหญ่ (PCA) เป็นเทคนิคทางสถิติที่ใช้เพื่อลดความบิดเบือนของข้อมูล ขณะที่ยังคงความแปรผันของมันอยู่ มันถูกใช้อย่างกว้างขวางในการวิเคราะห์ข้อมูล การเรียนรู้ของเครื่อง และการรับรู้รูปแบบ
การเข้าใจส่วนจัดการระบบของอาจารย์ใหญ่
PCA แปลงชุดตัวแปรที่ผสมกัน ให้เป็นตัวแปรที่น้อยกว่า ซึ่งไม่เกี่ยวข้อง เรียกส่วนประกอบหลัก ๆ ส่วนประกอบเหล่านี้ถูกสั่งซื้อเพื่อให้ส่วนต่าง ๆ ที่ปรากฏในข้อมูลต้นฉบับส่วนใหญ่ โพรเซสนี้เกี่ยวกับการคํานวณเมทริกซ์ ความแปรปรวนขององค์ประกอบ การค้นหาค่าเฉพาะของตัวแปร และตัวแบ่งส่วนย่อย และจัดองค์ประกอบย่อย ๆ นําเสนอข้อมูลไปยังส่วนประกอบหลัก ๆ
ISPA ที่ยังสมบูรณ์อยู่ กับ NumPy และ SciPy
เพื่อทํา PCA โดยเริ่มจากการมาตรฐานข้อมูล จากนั้นคํานวณค่าความแปรปรวนของค่าของค่าลักษณะเฉพาะ และค่าลักษณะเฉพาะของเมทริกซ์นี้ ตัวแบ่งเขตแสดงทิศทางของความแปรปรวนสูงสุด และค่าลักษณะเฉพาะ จะบอกจํานวนของความแปรปรวนในแต่ละทิศทาง โปรเจกต์นี้ จะทําโครงการที่คํานวณไปยังตัวร่วมที่เลือกให้ค้นหาองค์ประกอบหลัก ๆ
ขั้น ตอน ต่าง ๆ สําหรับ การ เพิ่ม ความ อิ่ม ใจ พอ ใจ ของ พี ซี เอ
- ปรับข้อมูลให้มีค่าค่าเฉลี่ยเป็นศูนย์ และความแปรปรวนหน่วย
- คํานวณเมทริกซ์โควาเรนเชียลโดยใช้ [FLT: 0] np.cov.
- Commite genegenes values and egenenviators with scipy.linalg.he.
- เรียงลําดับของลักษณะลักษณะลักษณะเฉพาะตามค่าลักษณะเฉพาะของอีเจน ในลําดับที่ลดลง
- นําเสนอข้อมูลบนตัวแสดงลักษณะเฉพาะที่เลือก เพื่อลดมิติ