Ang Pangunahing Komponent Analysis (PCA) ay isang pamamaraang estadistikal na ginagamit upang bawasan ang dimensiyonalidad ng datos habang pinananatili ang karamihan sa mga pagkakaiba nito. ito ay malawakang ginagamit sa pagsusuri ng datos, pagkatuto ng makina, at pagkilala ng padron.Implementmentmentasyon ng PCA sa mga aklatan tulad ng NumbePy at SciPy pinapayagan ang mahusay na pagkalkula at pag-unawa ng saligang istraktura ng data.

Pag - unawa sa Pangunahing Komponenteng Pagsusuri

Binabago ng PCA ang isang set ng correlated variables tungo sa isang mas maliit na bilang ng mga hindi pa nai-relateral variables na tinatawag na pangunahing mga bahagi. Ang mga bahaging ito ay iniuutos upang mapanatili ng unang iilan ang karamihan ng mga pagkakaiba-iba na nasa orihinal na dataset. Ang prosesong ito ay kinasasangkutan ng pagkalkula ng covariance material, paghahanap ng mga eeigen aginal at eeigenectors nito, at pag-i-interialize ng datos sa mga pangunahing bahagi.

Pagbuo ng PCA kasama ng Numbey at SiciPy

Upang maisagawa ang PCA, simulan ang pag - uuri sa impormasyon, saka i - covariance material. Pagkatapos, hanapin ang eigen avanties at mga eigenvektor ng oriential na ito. Ang mga eigenector ay kumakatawan sa mga direksiyon ng sukdulang pagkakaiba, at ang mga eeigen asset ay nagpapahiwatig ng dami ng pagkakaiba sa bawat direksiyon.

Mga Hakbang Para sa Pag - aalis ng PCA

  • Iuri ang data na may sero mean at unit diversion.
  • Itaya ang covariance matrix gamit ang np.cov.
  • Commute eigen values at eigenvectors na may scipy.linalg.eigh.
  • Uring mga eigenvenector na batay sa mga eigen na halaga sa pababang pagkakasunud-sunod.
  • I-update ang datos sa napiling mga eigenvektor upang mabawasan ang dimensiyonalidad.