Que puis-je faire après un PCA avec les résultats?

Question

Après avoir effectué une ACP et l'étude de la procédure, je me demande ce que le résultat est bon pour l'étape suivante. De l'APC i appris à visualiser l'ensemble de données en réduisant la dimension, je suis arrivé de nouveaux vecteurs à portée de main pour décrire les membres de la population d'une manière plus efficace et j'ai appris que prédicteurs originaux et corrèlent contribuent plus que d'autres.

Je me pose des questions comme, est-il plus à apprendre de l'APC, est-il une bonne idée d'utiliser le modèle PCA pour un algorithmes d'apprentissage pour réaliser mieux et est-il possible de respecter prédicteurs polynomiale ou ordinales dans l'APC en quelque sorte?

Answer 1

Eh bien PCA, comme suggéré ci-dessus par @CarltonBanks, ne vous aide à supprimer des fonctionnalités avec la moindre corrélation et l'utilisation écrasez les caractéristiques ensemble de telle sorte qu'ils ont la plus forte corrélation.

Pour répondre à votre question, comment visualiser des dimensions supérieures à l'aide PCA

1. Transformer la matrice de fonction avec le nombre de composants de votre ensemble de données à 2 ou 3
2. Cela vous assure que vous pouvez représenter votre ensemble de données en 2 ou 3 dimensions. Pour voir simplement votre réponse juste parcelle de cette matrice transformée en un terrain 2D ou 3D, respectivement.
3. Cela vous aide à visualiser des données de plus grande dimensionnalité comme une entité 2D ou 3D de façon tout en utilisant une régression ou une technique de modélisation prédictive, vous pouvez évaluer la tendance des données.

Si nous utilisons PCA dans les algorithmes d'apprentissage machine plus souvent?

Eh bien, ce qui est strictement dépend, en utilisant PCA réduit la précision de votre ensemble de données sauf si vous devez économiser de l'espace due à beaucoup de fonctionnalités avec une mauvaise corrélation et la précision globale n'a pas d'importance. Si votre scénario de modèle d'apprentissage de la machine est similaire à cela, alors il est autorisé à procéder.

Cependant, la plupart de l'utilisation PCA est que vous avez demandé avant de visualiser les données de plus grande dimensionnalité pour déterminer la tendance des données et de vérifier ce qui correspond modèle le plus.