知识卡片
总体方差与贡献方差
协方差矩阵沿主对角线对称,成对存储特征间协方差:正值表示两特征同增减,负值表示反向变动;标准化后样本均值为零。特征向量代表主成分(最大方差方向),对应特征值决定其重要性。方差贡献率=单个特征值/特征值总和,累计贡献率可用cumsum绘制,据此选前k个主成分。PCA忽略类标,与用类标算节点不纯度的随机森林有本质区别。
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
- 通过降维压缩数据 · 查看原书依据
特征向量代表主成分(最大方差方向),而对应的特征值大小就决定了特征向量的重要性
参考来源
- 位置:《Python机器学习》第5章《5.1.1 总体方差与贡献方差》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/pca是一种无监督方法,这意味着我们可以忽略类标信息。相对而言,随机森林通过类标信息来计算节点的不纯度,而方差度量的是特征值在轴线上的分布`)
- 结论依据:原文直接支撑上述要点。
- 原始内容:特征向量代表主成分(最大方差方向),而对应的特征值大小就决定了特征向量的重要性