Trang Chủ Tài chính Cá nhân ÁP dụng Phân tích Hợp phần Chính cho Các Phân tích Tiên đoán- nồng độ

ÁP dụng Phân tích Hợp phần Chính cho Các Phân tích Tiên đoán- nồng độ

Video: Phân tích 8 câu đầu bài thơ Việt Bắc - thầy Nhật dạy văn 2025

Video: Phân tích 8 câu đầu bài thơ Việt Bắc - thầy Nhật dạy văn 2025
Anonim

Phân tích thành phần chính (PCA) là một kỹ thuật có giá trị được sử dụng rộng rãi trong phân tích tiên đoán và khoa học dữ liệu. Nó nghiên cứu một tập dữ liệu để tìm hiểu các biến có liên quan nhất chịu trách nhiệm cho biến thể cao nhất trong tập dữ liệu đó. PCA hầu hết được sử dụng như một kỹ thuật giảm dữ liệu.

Trong khi xây dựng mô hình dự đoán, bạn có thể cần giảm số lượng các tính năng mô tả tập dữ liệu của mình. Rất hữu ích để giảm chiều cao của dữ liệu thông qua kỹ thuật xấp xỉ, tại đó PCA trội hơn. Dữ liệu xấp xỉ tóm tắt tất cả các biến thể quan trọng của dữ liệu ban đầu.

Việc tìm ra những biến số tiên đoán quan trọng nhất là cốt lõi của việc xây dựng mô hình tiên đoán. Cách nhiều người đã làm là sử dụng một phương pháp tiếp cận vũ lực. Ý tưởng là bắt đầu bằng nhiều biến liên quan nhất có thể và sau đó sử dụng phương pháp tiếp cận kênh để loại bỏ các tính năng không ảnh hưởng hoặc không có giá trị tiên đoán.

Để giúp quá trình này, các nhà khoa học dữ liệu sử dụng nhiều công cụ phân tích tiên đoán giúp cho việc chạy nhiều hoán vị và phân tích trên một tập dữ liệu dễ dàng hơn và nhanh hơn để đo lường tác động của mỗi biến trên tập dữ liệu đó.

Biết rằng có nhiều dữ liệu để làm việc, bạn có thể sử dụng PCA để được giúp đỡ.

Giảm số lượng các biến bạn xem là lý do đủ để sử dụng PCA. Ngoài ra, bằng cách sử dụng PCA, bạn sẽ tự động bảo vệ bản thân khỏi việc sử dụng mô hình.

Chắc chắn, bạn có thể tìm thấy mối tương quan giữa dữ liệu thời tiết ở một quốc gia và hiệu suất của thị trường chứng khoán. Hoặc với màu sắc của đôi giày của một người và tuyến đường mà cô ấy hoặc cô ấy mang đến văn phòng và việc thực hiện danh mục đầu tư cho ngày đó. Tuy nhiên, bao gồm cả những biến số trong một mô hình dự báo không chỉ là quá mức, điều này gây hiểu nhầm và dẫn đến các dự đoán sai.

PCA sử dụng cách tiếp cận có tính toán học để xác định tập hợp con của tập dữ liệu của bạn bao gồm các tính năng quan trọng nhất; trong việc xây dựng mô hình của bạn trên số liệu nhỏ hơn đó, bạn sẽ có một mô hình có giá trị tiên đoán cho tổng thể, tập dữ liệu lớn hơn mà bạn đang làm việc. Nói tóm lại, PCA sẽ giúp bạn hiểu được các biến của bạn bằng cách xác định tập con của các biến chịu trách nhiệm về biến thể nhiều nhất với tập dữ liệu ban đầu của bạn. Nó giúp bạn phát hiện sự dư thừa. Nó giúp bạn tìm ra rằng hai (hoặc nhiều biến hơn) đang nói cho bạn cùng một điều.

Hơn nữa, các phân tích thành phần chính lấy tập dữ liệu đa chiều của bạn và tạo ra một tập dữ liệu mới có các biến đại diện cho tính tuyến tính của các biến trong tập dữ liệu ban đầu. Ngoài ra, tập dữ liệu đầu ra có các biến không tương quan cá nhân, và phương sai của chúng được sắp xếp theo các thành phần chính của chúng trong đó phần đầu tiên là lớn nhất, v.v. Về vấn đề này, PCA cũng có thể được coi là một kỹ thuật để xây dựng các tính năng.

Trong khi sử dụng PCA hoặc các kỹ thuật tương tự khác giúp giảm chiều kích của bộ dữ liệu mà bạn đang xử lý, bạn phải luôn thận trọng để không làm ảnh hưởng tiêu cực đến hiệu suất của mô hình. Việc giảm kích thước của dữ liệu không nên gây ảnh hưởng tiêu cực đến hiệu suất (độ chính xác của mô hình tiên đoán). Giữ an toàn và quản lý tập dữ liệu một cách an toàn.

Sự phức tạp tăng lên của một mô hình không chuyển thành chất lượng cao hơn trong kết quả.

Để bảo vệ hiệu suất của mô hình, bạn có thể cần phải đánh giá cẩn thận hiệu quả của mỗi biến, đo tính hữu ích của nó trong việc định hình mô hình cuối cùng.

Biết rằng PCA có thể đặc biệt hữu ích khi các biến có độ tương quan cao trong một bộ dữ liệu nhất định, sau đó có một bộ dữ liệu với các biến số dự báo không tương quan chỉ có thể làm phức tạp nhiệm vụ giảm dimensionality của dữ liệu đa biến. Nhiều kỹ thuật khác có thể được sử dụng ở đây ngoài PCA, chẳng hạn như lựa chọn tính năng chuyển tiếp và loại bỏ tính năng lạc hậu.

PCA không phải là viên đạn ma thuật sẽ giải quyết tất cả các vấn đề với dữ liệu đa chiều. Thành công của nó là rất phụ thuộc vào dữ liệu bạn đang làm việc với. Sự sai số thống kê có thể không phù hợp với các biến với các giá trị tiên đoán nhất, mặc dù nó an toàn để làm việc với các phép xấp xỉ như vậy.

ÁP dụng Phân tích Hợp phần Chính cho Các Phân tích Tiên đoán- nồng độ

Lựa chọn của người biên tập

Loại bỏ màu trong ảnh với lệnh Remove Color Command - những núm vú

Loại bỏ màu trong ảnh với lệnh Remove Color Command - những núm vú

T muốn bất kỳ màu sắc trong một hình ảnh. Với lệnh Remove Color trong Photoshop Elements 10, bạn có thể dễ dàng loại bỏ tất cả các màu từ một hình ảnh, lớp hoặc lựa chọn. Để sử dụng lệnh này, chỉ cần chọn Enhance → Adjust Color → Remove Color. Đôi khi, tẩy màu bằng lệnh này có thể để lại của bạn ...

Chỉnh sửa Ảnh Thiên nhiên của bạn với Photoshop Elements - núm vú

Chỉnh sửa Ảnh Thiên nhiên của bạn với Photoshop Elements - núm vú

Máy ảnh kỹ thuật số của bạn thực hiện tuyệt vời để chụp bản chất và hình ảnh phong cảnh. Nhưng hình ảnh kỹ thuật số nói chung cần một chút công việc. Photoshop Elements là phòng tối kỹ thuật số của bạn. Ứng dụng này có thể làm những điều kỳ diệu cho những hình ảnh mà không phải là khá đủ để snuff. Bạn cũng có thể sử dụng ứng dụng này để tăng cường hình ảnh và thêm các hình ảnh đặc biệt ...

Khám phá Các Tùy chọn In trong Photoshop Elements - Dummies

Khám phá Các Tùy chọn In trong Photoshop Elements - Dummies

Có lẽ là thách thức lớn nhất khi sử dụng các chương trình như Photoshop Elements các chuyên gia sử dụng ông nội của nó, Adobe Photoshop) đang nhận được những gì bạn thấy trên màn hình của bạn để hiển thị một bản fax hợp lý trên một trang in. Bạn có thể tìm thấy tất cả các loại sách về in màu - làm thế nào để có được màu sắc quyền, làm thế nào ...

Lựa chọn của người biên tập

RootsWeb. com trong nháy mắt - núm vú

RootsWeb. com trong nháy mắt - núm vú

RootsWeb. com là một cộng đồng trực tuyến được thiết lập tốt cho các nhà genealogist. Nó đã được khoảng một thời gian dài và đã đi qua renditions khác nhau. Vài năm trước, nó đã trở thành một phần của tổ tiên. com và vẫn gắn bó mật thiết với Tổ tiên. Trong khi Tổ tiên. com dựa chủ yếu vào các thuê bao để giữ bộ sưu tập của mình phát triển, RootsWeb. com dựa chủ yếu vào sự hào phóng ...

Cách tiếp cận Shotgun đối với Nghiên cứu về Phả hệ - những người có núm vú

Cách tiếp cận Shotgun đối với Nghiên cứu về Phả hệ - những người có núm vú

Có lẽ bạn đang tự hỏi làm thế nào để tìm người khác để chia sẻ thông tin về phả hệ. Vâng, bạn có thể bắt đầu bằng cách đọc qua sách điện thoại và gọi cho tất cả mọi người bằng tên họ bạn đang nghiên cứu. Tuy nhiên, với cách thức một số người cảm thấy về các nhà tiếp thị qua điện thoại, đây không phải là một chiến lược được đề nghị. Gửi email hàng loạt cho bất kỳ ai bạn tìm thấy với họ của bạn ...

Lựa chọn của người biên tập

Quan điểm vô thần của những đóng góp tích cực của tôn giáo - những con voi

Quan điểm vô thần của những đóng góp tích cực của tôn giáo - những con voi

Một số người vô thần cũng cảm thấy rằng tôn giáo không có đóng góp tích cực cho thế giới . Ngay cả người vô thần Bertrand Russell, một người có thẩm quyền cao trong hầu hết các ngày, tín chỉ tôn giáo chỉ với việc thiết lập lịch, nói rằng ông không thể nghĩ ra bất kỳ đóng góp khác. Hầu hết các người vô thần, ngay cả những người cảm thấy tôn giáo là một ảnh hưởng xấu tổng thể, thường có thể nghĩ rằng

Chủ nghĩa vô thần và Kinh thánh - những con voi

Chủ nghĩa vô thần và Kinh thánh - những con voi

Nhà văn khoa học viễn tưởng Isaac Asimov gọi Kinh thánh là "sức mạnh mạnh mẽ nhất cho chủ nghĩa vô thần đã từng hình thành" - và nhiều người theo chủ nghĩa vô thần đồng ý. Nhưng hầu hết mọi người chỉ quen thuộc với một người lấy mẫu cẩn thận của những đoạn văn cảm hứng từ Kinh thánh. Đối với mỗi đoạn văn truyền cảm hứng đi vào những chiếc bệ và những cái gối bằng kim, một nửa ...