主成分
含有「主成分」共 10 篇內容
全部內容
發佈日期由新至舊
溫蒂的夢幻島航海日誌
2025/08/04
【資料科學的數學基礎課|第7課】PCA 主成分分析是什麼?資料也能「整理行李箱」!
本篇文章以淺顯易懂的方式介紹主成分分析(PCA),說明其原理、步驟及應用,並透過生活化的例子(打包行李)幫助讀者理解,最後設計小測驗加深印象。
#
數據
#
學習
#
數學
喜歡
留言
溫蒂的夢幻島航海日誌
2025/08/04
【資料科學的數學基礎課|第6課】特徵值與特徵向量:原來世界的「主要方向」可以這樣看!
✍️ 文/未來的資料科學家練習生 你有沒有發現一件事? 拍照時,角度對了,臉就小一圈 整理資料時,有些數據方向「特別有代表性」 做模型時,我們常想抓出「真正重要的變化方向」 這些,其實都跟今天要介紹的主角有關── 👉 特徵值(Eigenvalue)與特徵向量(Eigenvector)
#
科學家
#
主成分
#
模型
喜歡
留言
Welcome to my Linderland
2025/07/31
瑜珈墊、馬背上,我用《船井®關健對策EX錠》穩住生活節奏
作為資深上班族,平日久坐辦公室,下班或假日則是不斷挑戰自己的運動愛好者。 「閒」不會出現在我的字典裡,就連通勤趕捷,我都是小跑步迎向接下來的行程。無論在下班後教學瑜珈,或是週末的馬術訓練,衝浪等這些活動才是釋放我對生活的熱情。 隨著教課量增加,運動量的提升,不只需要肌耐力和柔軟度的筋膜放鬆,更需
#
運動
#
身體
#
上班族
喜歡
留言
沁寶🌷
2025/07/29
大地康健生技|西印度櫻桃膠原飲 🍒
過25歲後,膠原蛋白流失真的很快,也越來越注重由內而外的保養🌼 這款是來自大地康健生技的西印度櫻桃膠原飲,選用來自台灣契作的天然果汁與專利膠原酵素技術,喝得安心,也很適合當作日常補充的飲品💝 ✔ 主成分:西印度櫻桃、檸檬萃取、膠原蛋白 ✔ 輔助加持:蘋果汁、枸杞、甘草、蔬果纖維
#
西印度櫻桃膠原飲
#
變漂亮
#
日常
1
留言
Hansen W的沙龍
2025/05/28
44/100 PCA 降維 📉 主成分分析,讓高維度數據變得可視化!
PCA透過尋找資料最大變異方向,把多維特徵壓縮成少數互不相關的主成分,既保留關鍵資訊,又去除雜訊與冗餘。它大幅降低維度詛咒帶來的計算負擔,並將高維數據轉換成易於解釋的 2D/3D 視覺,協助後續聚類、分類或特徵選取。若先做標準化並利用解釋變異量挑選主成分,可在效率與資訊量之間取得最佳平衡。
#
主成分
#
數據
#
變異
喜歡
留言
Hansen W的沙龍
2025/05/26
20/100 小結與測驗-使用 Pandas & NumPy 進行資料處理 🐼 數據處理的強力工具,學會它們效率大增!
掌握 Pandas、NumPy,一站精通數據清理、缺失值補齊、特徵選擇與 PCA 降維!模組化範例搭配自測題,快速鞏固概念並排除常見坑,助你打造更穩定、公平且高效的 AI 模型。入門到實戰必讀,快速開啟數據科學核心能力!
#
數據
#
模型
#
安裝
1
留言
Hansen W的沙龍
2025/05/26
16/100 PCA 降維技術 📉 壓縮數據維度,保留核心資訊,提升計算效率!
想讓模型更快更準?PCA 是入門降維首選!本單元手把手示範數據標準化、解釋方差分析、視覺化技巧,搭配 Python 實作範例,教你在保持資訊量的同時大幅減少維度,解決高維詛咒與共線性。無論是基因序列、影像特徵還是金融指標,學完即可立即應用,提升演算法效率與洞察力,絕對值得收藏!
#
數據
#
主成分
#
機器學習
喜歡
留言
AI.ESG.數位轉型顧問 沈重宗
2024/11/20
機器學習演算法深度解析:從基礎到應用,你該知道的都在這裡!
🌟 監督學習演算法(Supervised Learning Algorithms) 1️⃣ 線性回歸(Linear Regression) 應用場景:數值型預測,例如房價預測。 優勢: 簡單易懂,適合初學者。 對於線性關係的數據擬合效果佳。 局限: 無法處理非線性資料。 對異常值敏
#
回歸
#
資源
#
數據
喜歡
留言
JayRay 的沙龍
2024/09/05
【資料分析】python機器學習-什麼是多重共線性? 多重共線性所引發問題與處理
多重共線性是指迴歸模型中,自變數(特徵)之間存在高度線性相關的現象,這會導致模型對各變數獨立影響估計的困難,並降低其解釋性和預測能力。本文將探討多重共線性的定義、成因、影響以及如何識別和解決這一問題,從而提升模型的穩定性和準確性。
#
模型
#
主成分
#
數據
14
留言
JayRay 的沙龍
2024/08/14
【資料分析】python資料處理-特徵工程的使用時機與基礎操作語法彙整
特徵工程是機器學習中的核心技術,通過將原始數據轉換為有意義的特徵,以提升模型的準確性和穩定性。常見的特徵工程方法包括異常值檢測、特徵轉換、特徵縮放、特徵表示、特徵選擇和特徵提取。本文將深入探討這些方法的適用情況及具體實施流程,以幫助讀者有效利用特徵工程來優化機器學習模型表現。
#
數據
#
模型
#
異常
14
留言