机器学习-非监督学习-PCA

• 1、数据维度
• 2、较棘手的数据维度
• 3、一维或二维？
• 4、略微不完美的数据
• 5、最棘手的数据维度
• 6、用于数据转换的 PCA
• 7、新坐标系的中心
• 8、新坐标系的主轴
• 9、新系统的第二主成分
• 10、练习：查找中心
• 11、练习：查找新轴
• 12、哪些数据可用于 PCA
• 13、轴何时占主导地位
• 14、可测量的特征与潜在的特征练习
• 15、从四个特征到两个
• 16、在保留信息的同时压缩
• 17、复合特征
• 18、最大方差
• 19、最大方差的优点
• 20、最大方差与信息损失
• 21、信息损失和主成分
• 22、相邻复合特征
• 23、用于特征转换的 PCA
• 24、最大主成分数量
• 25、PCA 的回顾/定义
• 26、将 PCA 应用到实际数据
• 27、安然财务数据的 PCA
• 28、sklearn 中的 PCA
• 29、何时使用 PCA
• 30、用于人脸识别的 PCA
• 31、特征脸方法代码

#

1、数据维度

2、较棘手的数据维度

3、一维或二维？

4、略微不完美的数据

5、最棘手的数据维度

6、用于数据转换的 PCA

7、新坐标系的中心

8、新坐标系的主轴

9、新系统的第二主成分

10、练习：查找中心

11、练习：查找新轴

12、哪些数据可用于 PCA

13、轴何时占主导地位

14、可测量的特征与潜在的特征练习

15、从四个特征到两个

16、在保留信息的同时压缩

17、复合特征

18、最大方差

19、最大方差的优点

20、最大方差与信息损失

21、信息损失和主成分

22、相邻复合特征

23、用于特征转换的 PCA

24、最大主成分数量

25、PCA 的回顾/定义

26、将 PCA 应用到实际数据

在以下几段视频中，Katie 和 Sebastian 研究安然的一些财务数据，并着眼于 PCA 的应用。

请记住，要获得包含项目代码的版本库以及此数据集，请访问以下网址：

https://github.com/udacity/ud120-projects

安然数据位于：final_project/

27、安然财务数据的 PCA

28、sklearn 中的 PCA

29、何时使用 PCA

30、用于人脸识别的 PCA

31、特征脸方法代码