ANSURデータセットの前腕と上腕の長さを標準化した後、分散の主な方向に合わせた直交する2本のベクトルを追加しました。データセット内の各点は、これら2本のベクトルにそれぞれの値を掛けて組み合わせることで表現できます。これらの値を主成分と呼びます。
次のうち、正しい記述はどれですか？
この演習はコースの一部です
理論を実践に変える、インタラクティブな演習のひとつをお試しください
この章では次元削減の概念を紹介し、その重要性と使いどきを学びます。特徴量選択と特徴量抽出の違いを理解し、両手法を用いてデータ探索を行います。章の最後では、高次元データを可視化できる強力な特徴量抽出手法である t-SNE を学びます。
特徴量選択に関する2章構成のうち最初の章では、次元の呪いと、それを乗り越えるための次元削減について学びます。分散が小さい、欠損値が多い、または他の特徴量と強く相関しているといった理由で、データセットにほとんど価値を追加しない特徴量を検出・除去するための手法をいくつか紹介します。
特徴量選択の2つ目の章では、特定の目的変数を予測するために、どの特徴量が最も重要かをモデルに見つけさせる方法を学びます。章の最後のレッスンでは、複数の異なるモデルの助言を組み合わせて、保持すべき特徴量を判断します。
この章では、最も頻繁に使われる次元削減アルゴリズムである Principal Component Analysis (PCA) を掘り下げます。なぜこのアルゴリズムが強力なのかについて直感を養い、データ探索とモデリングパイプラインの前処理の両方で適用します。最後は、画像圧縮のクールなユースケースで締めくくります。
現在の演習
