作者:Adrian Tam, Ray Hong, Jinghan Yu, Brendan Artley 翻译:汪桉旭
校对:吴振东
转自:数据派ID:DatapiTHU
本文约3300字,建议阅读5分钟
本文教你了解了如何使用主成分分析来可视化数据。
标签:主成分分析
如何使用PCA可视化高维数据
什么是PCA中的解释性方差
从高维数据PCA的结果中直观地观察解释性方差
教程概览
高维数据的散点图
可视化解释性方差
前提
如何从python中的Scratch计算PCA
Python中用于降维的PCA
高维数据的散点图
解释方差可视化
拓展阅读
书籍
深度学习
https://amzn.to/3qSk3C2
教程
如何在Python中从头开始计算主成分分析(PCA)
https://machinelearningmastery.com/calculate-principal-component-analysis-scratch-python/
在 Python 中用于降维的主成分分析
https://machinelearningmastery.com/principal-components-analysis-for-dimensionality-reduction-in-python/
APIs
总结
使用 PCA 在 2D 中可视化高维数据集
如何使用 PCA 维度中的图来帮助选择合适的机器学习模型
如何观察 PCA 的解释方差比
解释方差比对机器学习意味着什么
译者简介
汪桉旭,南京航空航天大学研究生。对数据科学充满兴趣,热衷于在分享中提高自己,在实践中学习新知识。休闲时间喜欢看电影看小说。乐于结交新朋友、一起探索新爱好。。
点击“阅读原文”拥抱组织