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 : 

همچنین ببینید

تبدیل تصویر 2 بعدی به 3 بعدی با هوش مصنوعی

ساخت ویدیو ۳ بعدی از تصاویر ۲ بعدی با هوش مصنوعی

با استفاده از این هوش مصنوعی می توان افکت های ۳ بعدی سازی و Dolly …

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 *