主成分分析简介:简化降维

beplay2网页登陆BigML即将发布2018年12月20日，星期四，将向平台展示我们的最新资源:主成分分析(PCA)。在这篇文章中，我们将对PCA做一个快速的介绍，然后再继续我们的剩余部分6篇博文系列(包括本文)将详细介绍新功能背后的内容。今天的帖子解释了一些基本的概念示例用例。然后，将有三个博客帖子专注于如何使用PCAbeplay2网页登陆Bigml仪表板那API.， 和WhizzML自动化。最后，我们将通过技术观点填写这一系列帖子pca在幕后是如何工作的。

了解主成分分析

生物信息学、定量金融、投资组合分析或信号处理等领域的许多数据集可能包含大量变量，这些变量可能高度相关，导致机器学习性能不佳。主成分分析(PCA)是否有一种技术可以用来转换这样的数据集，以获得不相关的特征或作为第一步减少维度。

因为PCA在没有计入目标变量的情况下将变量转换为数据集，所以它可以被视为一个无监督机器学习适用于复杂数据集的探索数据分析的方法。然而，当用于减少维度，它还有助于减少监督模型过度装备，因为在过程之后的变量之间存在较少的关系仍然较少。这样做，主成分由PCA变换产生的结果通常是根据原始数据集中每个解释的方差量排序的。从业者可以决定从数据集中删除多少新组件特性，同时保留其中包含的大部分原始信息。

即使它们都在同一伞术语（PCA）下，在引擎盖下，BIGML的实现包括多个因子分析技术，而不是仅仅是标准PCA实现。beplay2网页登陆具体来说，

• 主成分分析(PCA)：beplay2网页登陆如果输入数据集仅包含数值数据，则Bigml利用此选项。
• 多重对应分析(MCA)：T.如果输入数据集仅包含仅分类数据，则可以使用他的选项。
• 混合数据因子分析(FAMD)：如果输入数据集包含数字和分类字段，则还可提供此选项。

在项目和文本字段的情况下，使用允许应用PCA的单词方法处理数据。因为这种细致的方法，Bigmlbeplay2网页登陆除数字数据外，是否可以自动处理类别、文本和项字段最终用户不需要手动干预。

想了解更多关于PCA的知识吗?

如果您想了解更多关于主成分分析的信息，并在BigML Dashboard上看到它的实际应用，请为我们即将发布的网络研讨会预留位置beplay2网页登陆2018年12月20日，星期四。出勤是免费的，但空间很快就会被注册！