エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
次元削減とは?次元削減と主成分分析に関して学ぼう! - AI Academy Media
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
次元削減とは?次元削減と主成分分析に関して学ぼう! - AI Academy Media
主成分分析(PCA)とは データセットの次元が多いと、データ分析においても、機械学習においても計算コ... 主成分分析(PCA)とは データセットの次元が多いと、データ分析においても、機械学習においても計算コストが増え、データの様子が分かりにくくなります。 その解決策として、統計や機械学習の分野でよく使われる手法が、主成分分析(Principal Component Analysis:PCA)です。 主成分分析では、特徴量を抽出することによって、データセット内の特徴量を削減することが出来ます。 それによって、3次元以下に次元を削減することが出来れば、データを可視化することもできます。 主成分分析では、特徴量を「選択」するものではなく、新しい特徴量を「抽出」します。 ただし、ここでいう「抽出」とは非可逆的な(一度抽出したら、元のデータセットの特長量には戻らない)ものなので、いくらか失われる情報が出てきます。 主成分分析を理解する 主成分分析とは、データセットの次元を削減するために用いる手法ですが、