آموزش گام به گام تحلیل مولفه های اصلی ( PCA )

تحلیل مولفه های اصلی یا PCA ، روشی برای کاهش ابعاد است که غالباً برای کاهش دادن ابعادی مجموعه داده های بزرگ ، با تبدیل یک مجموعه بزرگ از متغیرها به یک متغیر کوچک تر که هنوز هم حاوی بیشتر اطلاعات مجموعه بزرگ است ، استفاده می شود.

کاهش تعداد متغیرهای یک مجموعه داده به طور طبیعی منجر به کاهش دقت آن می شود ، اما شگرد کاهش ابعاد این است که کمی دقت را برای ساده سازی مجموعه کاهش دهید. زیرا تجزیه و تحلیل و تجسم داده های مجموعه داده های کوچک تر بدون پردازش متغیرهای اضافی برای الگوریتم های یادگیری ماشین ، آسان تر و سریع تر است.

بنابراین به طور خلاصه ، ایده PCA ساده است – ضمن حفظ هرچه بیشتر اطلاعات ، تعداد متغیرهای یک مجموعه داده را کاهش دهید.

در این ویدیو، نحوه اجرا PCA را به صورت گام به گام و با توضیحات کامل فرا می گیرید. برای دریافت اطلاعات بیشتر در مورد کاهش ابعاد با روش PCA می توانید این مقاله را مطالعه کنید.

بیشتر بخوانید : 

درباره‌ی احمدرضا جعفری

همچنین ببینید

آیا می خواهید در زمینه یادگیری ماشین استخدام شوید؟

آیا می خواهید در زمینه یادگیری ماشین استخدام شوید؟

مسیر های شغلی زیادی در حوزه یادگیری ماشین وجود دارد، اما از کجا بفهمیم که …

2 نظر

  1. ممنون میشم سوالمو سریع جواب بدید چون مبهم هست . آیا از روش pca برای مسئله ای که ۲ ویژگی اصلی داره هم میشه استفاده کرد؟ مثلا برای تشخیص بدافزار اندروید که حیاتی ترین ویژگی مجوز ها و api هاست و این دو بعد حرف شدنی نیستن میتونیم از pca استفاده کنیم ؟؟؟؟

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *