知识卡片
降维视角
PCA用原变量的线性组合产生互不相关的主成分,并按方差大小排序。保留前几个成分可压缩冗余,但第一成分不保证保留绝大部分方差,也不保证保留业务最重要的信息。是否按原单位或标准化后计算,会改变结果;应检查解释方差与任务损失。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第8章 PCA:构建股票市场指数 主成分分析 · 连续片段1 · 查看原书依据
主成分分析(Principal Components Analysis, PCA)的方法。PCA的主要思路是:创建一个25列的新数据集,根据每一列包含原始数据信息的多少,对新数据集中的列排序。排在第一的新列称为第一主成分(简称为主成分),它总是包含整个数据集的绝大部分结构。当我们
参考来源
- 位置:《机器学习:实用案例解析》第08章《主成分分析 · 连续片段1》(来源项目book-sources;源文件:extracted/OReilly精品图书系列共21册(《Javascript权威指南》、《机器学习:实用案例解析》、《编写可读代码的艺术》、《算法精解》等)/_epub-src/text/part3114.html,spine3220)
- 结论依据:原文的案例步骤与解释支持所述机制;R包、外部API与数据接口限定于本书出版时环境,不作为当前兼容性承诺。
- 原始内容:主成分分析(Principal Components Analysis, PCA)的方法。PCA的主要思路是:创建一个25列的新数据集,根据每一列包含原始数据信息的多少,对新数据集中的列排序。排在第一的新列称为第一主成分(简称为主成分),它总是包含整个数据集的绝大部分结构。当我们