Справка
x
Поиск
Закладки
Озвучить книгу
Изменить режим чтения
Изменить размер шрифта
Оглавление
Для озвучивания и цитирования книги перейдите в режим постраничного просмотра.
Python и машинное обучение
Глава 5. Сжатие данных путем снижения размерности
Поставить закладку
Снижение размерности без учителя на основе анализа главных компонент
Если Вы наш подписчик,то для того чтобы скопировать текст этой страницы в свой конспект,
используйте
просмотр в виде pdf
. Вам доступно 6 стр. из этой главы.
Для продолжения работы требуется
Registration
Предыдущая страница
Следующая страница
Table of contents
Предисловие
Об авторе
О рецензентах
Введение
Глава 1. Наделение компьютеров способностью обучаться на данных
+
Глава 2. Тренировка алгоритмов машинного обучения для задачи классификации
+
Глава 3. Обзор классификаторов с использованием библиотеки scikit-learn
+
Глава 4. Создание хороших тренировочных наборов - предобработка данных
+
Глава 5. Сжатие данных путем снижения размерности
-
Снижение размерности без учителя на основе анализа главных компонент
Общая и объясненная дисперсия
Преобразование признаков
Анализ главных компонент в scikit-learn
Сжатие данных с учителем путем линейного дискриминантного анализа
Вычисление матриц разброса
Отбор линейных дискриминантов для нового подпространства признаков
Проецирование образцов на новое пространство признаков
Метод LDA в scikit-learn
Использование ядерного метода анализа главных компонент для нелинейных отображений
Ядерные функции и ядерный трюк
Реализация ядерного метода анализа главных компонент на Python
Пример 1. Разделение фигур в форме полумесяца
Пример 2. Разделение концентрических кругов
Проецирование новых точек данных
Ядерный метод анализа главных компонент в scikit-learn
Резюме
Глава 6. Изучение наиболее успешных методов оценки моделей и тонкой настройки гиперпараметров
+
Глава 7. Объединение моделей для методов ансамблевого обучения
+
Глава 8. Применение алгоритмов машинного обучения в анализе мнений
+
Глава 9. Встраивание алгоритма машинного обучения в веб-приложение
+
Глава 10. Прогнозирование непрерывных целевых величин на основе регрессионного анализа
+
Глава 11. Работа с немаркированными данными - кластерный анализ
+
Глава 12. Тренировка искусственных нейронных сетей для распознавания изображений
+
Глава 13. Распараллеливание тренировки нейронных сетей при помощи Theano
+
Приложение А
+
Глоссарий основных терминов и сокращений
+
Предметный указатель
Данный блок поддерживает скрол*