特徴抽出による情報圧縮（主成分分析）｜Pythonで機械学習vol.7 | TechClips

エンジニアの初心者でも簡単に機械学習のプログラミングが出来るシリーズ最終回！前回は教師なし学習の第一歩としてクラスタリングについて学習しましたが、今回は特徴抽出による情報圧縮の方法として主成分分析について学習していきましょう。 http://www.turingfinance.com/artificial-intelligence-and-statistics-principal-component-analysis-and-self-organizing-maps/ 機械学習を行う上でたくさんの特徴や変数がある場合、それをごく少数の項目に置き換えることで、データを解釈しやすくする必要がでてきます。 このような処理を「次元の縮約（縮小）」や「情報の圧縮」と呼びます。イメージがわかない方のために、簡単な例をあげます。 例えば5次元のデータを2次元のデータに縮小する例として、体形評価に使用され

[cartman0]

画像400枚が標本の大きさか，64x64=4096pxってことは相関係数行列は4096x4096なんだろうか