#pca

2 記事

01 ·線形代数·無料·論文·13分で読めます ゼロから学ぶ主成分分析（PCA） — 固有ベクトルはデータの軸 On Lines and Planes of Closest Fit to Systems of Points in Space 相関したデータの雲には「木目」がある——いちばん大きくばらつく方向だ。主成分分析（PCA）はその木目を見つける仕掛けである。この記事は1枚の絵から組み立てる——データを中心化し、どの方向が最も分散を持つかを問うと、その答えが共分散行列の固有ベクトルになる。固有値は各軸に沿った分散そのもので、上位いくつかの軸が次元削減を与え、寄与率が「何を捨てたか」を教えてくれる。 02 ·機械学習の基礎·★ 会員·論文·14分で読めます 教師なし学習を1から — クラスタリングと次元削減 UMAP: Uniform Manifold Approximation and Projection for Dimension Reduction 正解ラベルが1つも無いデータから構造を取り出す方法を、前提知識ゼロから。k-means・階層・DBSCANの向き不向き、PCAが何を最大化しているのか、そしてt-SNE/UMAPの図でやってはいけない3つの誤読までを、比喩→式→動く図→コードの順で解説する。