در این مطلب، ویدئو درک و تفسیر نتیجه pca MATLAB | فراگیری ماشین با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید. اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
مدت زمان فیلم: 00:09:27
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00 =>02
سلام دوستان به تقویت کننده دانش کانال ما خوش آمدید،
2
02 =>03
3
03 =>05
بنابراین در ویدیوی قبلی خود من قبلاً
4
05 =>06
در
5
06 =>09
مورد شهود ریاضی
6
09 =>11
تجزیه و تحلیل مؤلفه های اصلی که تکنیک
7
11 =>13
کاهش ابعاد بسیار محبوب است
8
13 =>14
9
14 =>16
در حال حاضر در این ویدیوی خاص خود به طور مفصل
10
16 =>19
بحث
11
19 =>21
کرده ام. که شما می توانید این
12
21 =>24
الگوریتم خاص را به روشی بسیار بهتر تفسیر
13
24 =>27
کنید، بنابراین فقط یک خلاصه نویسی سریع
14
27 =>29
از درک نظری
15
29 =>30
هر آنچه قبلاً در
16
30 =>32
مورد آن بحث کردیم، بنابراین در اینجا در صفحه دو
17
32 =>34
بعدی
18
34 =>37
من برخی از نقاط داده را دارم
19
37 =>40
که در اینجا نمودار پراکندگی را در اینجا ترسیم کردم، شما
20
40 =>41
می توانید به وضوح می توانید درک
21
41 =>44
محور x و محور y این دو
22
44 =>45
عامل پایه برای این صفحه دو بعدی هستند که به
23
45 =>47
صورت متعامد و مستقل خطی هستند.
24
47 =>50
25
50 =>52
26
52 =>53
27
53 =>56
28
56 =>01:00
29
01:00 =>01:01
30
01:01 =>01:05
مجموعه داده های مشابه با استفاده از
31
01:05 =>01:08
برخی عوامل پایه دیگر خوب
32
01:08 =>01:11
است i t ممکن است بله، مانند یک
33
01:11 =>01:12
عامل پایه ممکن
34
01:12 =>01:15
می تواند u1 و u2 باشد، خوب
35
01:15 =>01:18
اینجا را ببینید که c1 و u2 به صورت خطی
36
01:18 =>01:19
مستقل
37
01:19 =>01:22
متعامد هستند، بنابراین می تواند
38
01:22 =>01:24
برای صفحه دو بعدی ما نیز pr پایه
39
01:24 =>01:26
باشد، درست است
40
01:26 =>01:29
و اگر u1 و u2 را در نظر بگیرید، نقطه مثبت است.
41
01:29 =>01:32
بهعنوان فاکتور پایه برای این
42
01:32 =>01:34
مجموعه دادههای خاص
43
01:34 =>01:38
، در
44
01:38 =>01:42
اینجا مؤلفه را ببینید، اگر
45
01:42 =>01:44
برای تمام این نقاط داده، طرحریزی را در نظر بگیرید، اگر
46
01:44 =>01:47
در امتداد این بردار پایه u2 طرحریزی کنید،
47
01:47 =>01:50
چه اتفاقی میافتد، مقدار مؤلفه
48
01:50 =>01:51
بسیار کوچک میشود،
49
01:51 =>01:54
تقریباً نوعی نویز که میتوانیم درست در نظر بگیریم.
50
01:54 =>01:54
51
01:54 =>01:56
مولفه بسیار کوچک وجود دارد
52
01:56 =>01:58
واریانس
53
01:58 =>02:01
برای این داده خاص در امتداد این
54
02:01 =>02:01
55
02:01 =>02:05
مبنای u2 بسیار کمتر درست است
56
02:05 =>02:08
یا آنقدر کوچک است که تقریباً می تواند نادیده گرفته شود
57
02:08 =>02:12
و ما می توانیم این
58
02:12 =>02:16
همه نقاط داده را فقط به عنوان بردار پایه زنگ نمایش
59
02:16 =>02:19
q1 نشان دهیم و اینگونه
60
02:19 =>02:22
می توانیم تبدیل داده های دو بعدی ما
61
02:22 =>02:22
به
62
02:22 =>02:25
داده های یک بعدی در امتداد
63
02:25 =>02:27
طرح ریزی بردار پایه q1 در