知识卡片
特征转换与新子空间
按特征值降序排列特征对,选前k个最大特征值对应的特征向量(本例取2个,占总体方差60%)构造d×k映射矩阵W,用点积把样本与整个训练集投影到k维子空间。二维散点图可见数据更多沿第一主成分方向分布,与贡献率图一致;绘图虽用类标着色,但PCA本身无监督、无需类标。
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
为了演示散点图,我们使用了类标信息,但请注意PCA是无监督方法,无需类标信息。
参考来源
- 位置:《Python机器学习》第5章《5.1.2 特征转换》(源文件:`../../book-sources/extracted/Python机器学习/_epub-src/OEBPS/Text/通过选取的两个特征向量我们得到了一个13×2维的映射矩阵w`)
- 结论依据:原文直接支撑上述要点。
- 原始内容:为了演示散点图,我们使用了类标信息,但请注意PCA是无监督方法,无需类标信息。