主成分分析／次元削減 (PCA)

関連ページ

概要

参考：

意味がわかる主成分分析 – Qiita

導入

参考：

次元削減とは？次元削減と主成分分析に関して学ぼう！ | AI Academy Media

主成分分析とは何なのか、とにかく全力でわかりやすく解説する | CCT-recruit

主成分分析 (PCA) – 次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

手法／アルゴリズム

参考：

この PCA が熱い トップ10 – Qiita

scikit-learn

Dimensionality Reduction

（出典：scikit-learn）

こちらのページを参照
scikit-learn の使い方

参考：

主成分分析 (PCA) – 次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Kernel PCA – 次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Spectral Embedding – 次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Isomap – 次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Locally Linear Embedding – 次元圧縮 | 機械学習、AI、ディープラーニングのプログラミングを解説

Decomposing Signals in Components (Matrix Factorization Problems) | scikit-learn Documentation [Official]

sklearn.decomposition.PCA | scikit-learn Documentation [Official]

資料

参考：

機械学習と主成分分析 – SlideShare

記事をシェアする：
タグ：

コメントを残す

メールアドレスが公開されることはありません。 ※ が付いている欄は必須項目です

Protected by reCAPTCHA
Privacy - Terms