主成分分析 (PCA) :
是用于降维的黄金标准。 5 分钟内,介绍完他:
1. 什么是PCA?
PCA是一种用于数据分析的统计技术,主要用于降维。在处理具有许多变量的大型数据集时,它非常有用,并且有助于简化数据的复杂性,同时保留尽可能多的变量和信息。
2. PCA如何工作
PCA有5个步骤;标准化、协方差矩阵计算、特征向量计算、选择主成分和转换数据。
3.标准化
PCA的第一步是对数据进行标准化。由于数据规模影响 PCA,因此对数据进行标准化(均值为 0,方差为 1)可确保分析不会偏向幅度较大的变量。
4.协方差矩阵计算
PCA着眼于数据的方差和协方差。方差是对单个特征的变异性的度量,而协方差是对两个特征一起变化的程度的度量。协方差矩阵是一个表,其中每个元素代表两个特征之间的协方差。
5.特征值和特征向量计算
根据协方差矩阵,计算特征值和特征向量。特征向量是方差最大的轴方向(即主成分),特征值是附加到特征向量的系数,给出每个主成分中携带的方差量。
6. 选择主成分
特征向量按其特征值降序排列。这按重要性顺序给出了组件。在这里,您可以决定保留多少个主成分。这通常基于累积解释方差比,即每个选定组件解释的方差量。
7. 变换数据
最后,将原始数据投影到主成分(特征向量)上,将数据变换到新的空间。这会产生一个新的数据集,其中变量不相关,并且前几个变量保留原始数据的大部分可变性。
8. 评估:
每个 PCA 分量都占数据集中总方差的一定量。解释的方差的累积比例只是每个变量的累积和
图文整理