エントリーの編集
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。
主成分分析(PCA)による次元削減 - 薬剤師のプログラミング学習日記
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
- 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
主成分分析(PCA)による次元削減 - 薬剤師のプログラミング学習日記
主成分分析(PCA:Principal Component Analysis)では、データの本質的な部分に注目して重要な部分を保持... 主成分分析(PCA:Principal Component Analysis)では、データの本質的な部分に注目して重要な部分を保持し、あまり重要でない部分を削る、一言でいえばデータの要約(=次元削減)を行います。いろいろな分野で使われている手法ですが、機械学習においては与えられたデータから自動的にこの要約を行うため、教師なし学習に分類されます。 PCAを行うメリット PCAの視覚的なイメージ 画像データでPCAを行う 寄与率と累積寄与率 主成分の可視化 次元の削減と復元 ちょっと踏み込んでPCAの意味を理解する 標準化と白色化 標準化 白色化 参考 PCAを行うメリット 主に次のようなものがあげられます。 ・データが持っている情報の本質的な部分を保ったまま、メモリ消費や保存容量を抑えることができる。 ・高次元のデータセットを2次元、3次元まで下げることで可視化したり、少数の主成分で表現する