PCA
含有「PCA」共 5 篇內容
全部內容
發佈日期由新至舊
付費限定
非監督式學習，是在沒有標準答案的情況下，協助我們整理資料本身的結構。它回答三個核心問題：哪些資料彼此相似、哪些特徵才是真正重要、哪些事件常常一起發生。
本文從「聚類分析」、「降維技術」到「關聯規則學習」，帶你建立非監督式學習的整體理解框架，理解 AI 如何先整理資料，再由人來解讀意義。
Sandbox、證據無效、方向需補強——他不是被證明錯誤，而是被定義為「不成立」。
茶水間的嘲諷迅速補上最後一刀。數學、天才、大神，成了笑點；λ₁ 不再是證據，而被貶為幻覺。信用一旦被打掉，專業就會失聲——這正是制度最熟練的淘汰方式。
下午的專案會議，成了整個章節的斷層點。祺倫以 PCA 將三組檢定的殘差收斂成一條異常筆直的主成分，數學上幾乎無可反駁。但紅字之下，一行不起眼的標註，瞬間翻轉了戰局：Sand-t1208。
楊處長抓住這個破口，將技術討論硬生生拉回制度邊界。Sandbox，不是證據；實驗，不是事實。
本文會利用sklearn引入breast_cancer datasets來訓練，在處理數據的部份，特徵工程用兩種方式去做處理，分別是特徵選取與特徵萃取的方式去做比較。
特徵選取的方法中，使用了KNN 分類器來選出最重要的兩個特徵
特徵萃取的方法中，使用了PCA降維
GCP Professional Cloud Architect 考試/心得整理
