GitHub - ContextLab/hypertools: A Python toolbox for gaining geometric insights into high-dimensional dataYou signed in with another tab or window. Reload to refresh your session. You signed out in another tab or window. Reload to refresh your session. You switched accounts on another tab or window. Reload to refresh your session. Dismiss alert
主成分分析が簡単にできるサイトを作った - ほくそ笑む
あけましておめでとうございます。 本年もよろしくお願いいたします。 主成分分析 さて、昨年の終わりごろから、私は仕事で主成分分析を行っています。 主成分分析というのは、多次元のデータを情報量をなるべく落とさずに低次元に要約する手法のことです。 主成分分析は統計言語 R で簡単にできます。 例として iris データで実行してみましょう。 data(iris) data <- iris[1:4] prcomp.obj <- prcomp(data, scale=TRUE) # 主成分分析 pc1 <- prcomp.obj$x[,1] # 第一主成分得点 pc2 <- prcomp.obj$x[,2] # 第二主成分得点 label <- as.factor(iris[,5]) # 分類ラベル percent <- summary(prcomp.obj)$importance[3,2] *
PCA の練習
練習に http://archive.ics.uci.edu/ml/datasets/Iris のデータをさくっと PCA してみました。 #include <iostream> #include <string> #include <utility> #include <vector> #include <boost/algorithm/string.hpp> #include <boost/lexical_cast.hpp> #include <eigen3/Eigen/Dense> // #include <redsvd/redsvd.hpp> using namespace std; using namespace boost; int main() { vector<pair<string, vector<float>>> data; for (string line; getl
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
Random projection in dimensionality reduction: applications to image and text data - がくしゅう日記
