Statistiques et Big Data pca

3

La fonction objective de l'analyse en composantes principales (ACP) minimise l'erreur de reconstruction dans la norme L2 (voir la section 2.12 ici . Une autre vue essaie de maximiser la variance sur la projection. Nous avons également un excellent article ici: Quelle est la fonction objective de l'ACP ? ). …

12 machine-learning pca optimization convex

3

Pourquoi utilisons-nous PCA pour accélérer les algorithmes d'apprentissage alors que nous pourrions simplement réduire le nombre de fonctionnalités?

Dans un cours de machine learning, j'ai appris qu'une utilisation courante de PCA ( Principal Component Analysis ) est d'accélérer d'autres algorithmes de machine learning. Par exemple, imaginez que vous entraînez un modèle de régression logistique. Si vous avez un ensemble d'apprentissage pour i de 1 à n et qu'il …

12 machine-learning pca

1

Étapes effectuées dans l'analyse factorielle par rapport aux étapes effectuées dans l'ACP

Je sais comment effectuer l'ACP (analyse en composantes principales), mais j'aimerais connaître les étapes qui devraient être utilisées pour l'analyse factorielle. Pour effectuer l'ACP, considérons une matrice , par exemple:AAA 3 1 -1 2 4 0 4 -2 -5 11 22 20 J'ai calculé sa matrice de corrélation B = …

12 pca factor-analysis algorithms

4

Sélection du modèle PCA avec AIC (ou BIC)

Je souhaite utiliser le critère d'information Akaike (AIC) pour choisir le nombre approprié de facteurs à extraire dans une ACP. Le seul problème est que je ne sais pas comment déterminer le nombre de paramètres. Considérons une matrice X , où N représente le nombre de variables et T le …

12 pca model-selection

2

PCA et forêts aléatoires

Pour un récent concours Kaggle, j'ai (manuellement) défini 10 fonctionnalités supplémentaires pour mon ensemble d'entraînement, qui seraient ensuite utilisées pour former un classificateur de forêts aléatoires. J'ai décidé d'exécuter PCA sur l'ensemble de données avec les nouvelles fonctionnalités, pour voir comment elles se comparaient les unes aux autres. J'ai trouvé …

12 classification pca random-forest

5

Puis-je utiliser PCA pour effectuer une sélection de variables pour l'analyse de cluster?

Je dois réduire le nombre de variables pour effectuer une analyse de cluster. Mes variables sont fortement corrélées, j'ai donc pensé faire une analyse factorielle PCA (analyse en composantes principales). Cependant, si j'utilise les scores obtenus, mes grappes ne sont pas tout à fait correctes (par rapport aux classifications précédentes …

12 clustering pca feature-selection factor-analysis

2

Que maximisent les premiers facteurs de l'analyse factorielle?

Dans l'analyse des composantes principales, les premières composantes principales sont les directions orthogonales avec la variance maximale. En d'autres termes, la première composante principale est choisie pour être la direction de la variance maximale, la deuxième composante principale est choisie pour être la direction orthogonale à la première avec la …

12 pca factor-analysis

2

Comment utiliser l'analyse des composants principaux pour sélectionner les variables à régresser?

J'utilise actuellement l'analyse des composants principaux pour sélectionner les variables à utiliser dans la modélisation. En ce moment, je fais des mesures A, B et C dans mes expériences - Ce que je veux vraiment savoir, c'est: Puis-je faire moins de mesures et arrêter l'enregistrement de C et ou B …

12 regression pca model-selection

1

Différence entre les implémentations scikit-learn de PCA et TruncatedSVD

Je comprends la relation entre l'analyse en composantes principales et la décomposition en valeurs singulières à un niveau algébrique / exact. Ma question concerne l' implémentation de scikit-learn . La documentation dit: " [TruncatedSVD] est très similaire à l'ACP, mais fonctionne directement sur des vecteurs d'échantillonnage, plutôt que sur une …

12 pca scikit-learn svd scipy

1

Comment choisir un noyau pour le noyau PCA?

Quelles sont les façons de choisir quel noyau entraînerait une bonne séparation des données dans la sortie finale des données par le noyau PCA (analyse des composants principaux), et quelles sont les façons d'optimiser les paramètres du noyau? Les termes de Layman, si possible, seraient grandement appréciés, et des liens …

12 pca cross-validation dimensionality-reduction kernel-trick manifold-learning

4

Exécution de PCA avec seulement une matrice de distance

Je veux regrouper un ensemble de données massif pour lequel je n'ai que les distances par paire. J'ai implémenté un algorithme k-medoids, mais cela prend trop de temps à exécuter, donc je voudrais commencer par réduire la dimension de mon problème en appliquant PCA. Cependant, la seule façon que je …

12 pca dimensionality-reduction multidimensional-scaling

2

Les solutions PCA sont-elles uniques?

Lorsque j'exécute PCA sur un certain ensemble de données, la solution qui m'est donnée est-elle unique? C'est-à-dire que j'obtiens un ensemble de coordonnées 2d, basé sur des distances entre points. Est-il possible de trouver au moins une autre disposition des points qui répondrait à ces contraintes? Si la réponse est …

12 pca

4

Comment réaliser l'ACP pour des données de très grande dimensionnalité?

Pour effectuer une analyse en composantes principales (ACP), vous devez soustraire la moyenne de chaque colonne des données, calculer la matrice des coefficients de corrélation, puis trouver les vecteurs propres et les valeurs propres. Eh bien, c'est plutôt ce que j'ai fait pour l'implémenter en Python, sauf qu'il ne fonctionne …

12 pca python

3

Signification de «erreur de reconstruction» dans PCA et LDA

J'implémente PCA, LDA et Naive Bayes, respectivement pour la compression et la classification (implémentant à la fois un LDA pour la compression et la classification). J'ai le code écrit et tout fonctionne. Ce que je dois savoir, pour le rapport, c'est quelle est la définition générale de l' erreur de …

12 machine-learning pca terminology dimensionality-reduction discriminant-analysis

3

Y a-t-il une valeur dans la réduction de dimensionnalité d'un ensemble de données où toutes les variables sont approximativement orthogonales?

Supposons que j'ai un ensemble de données à dimensions où les N dimensions sont à peu près orthogonales (ont une corrélation nulle).NNNNNN Existe-t-il une utilité en termes de: Visualisation Représentation (pour l'efficacité du classificateur) Ou d'autres critères effectuer une réduction de dimensionnalité sur les données?

11 pca dimensionality-reduction

Questions marquées «pca»