前の演習では、魚の計測値に対するPCA特徴量の分散をプロットしました。改めてそのプロットを見ると、魚の計測値の「内在次元」として妥当なのはどれだと思いますか？内在次元とは、分散が有意に大きいPCA特徴量の個数のことでした。
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
データセットに内在するグループ（「クラスタ」）の見つけ方を学びます。章の最後には、株価データを使って企業をクラスタリングし、測定値のクラスタリングで種を見分けられるようになります。
この章では、可視化のための教師なし学習手法である階層型クラスタリングとt-SNEを学びます。階層型クラスタリングはサンプルをより粗いクラスタへと順次マージし、得られたクラスタ階層を木構造として可視化できます。t-SNEはサンプルを2次元空間に写像し、サンプル間の近さを視覚的に把握できるようにします。
次元削減は、データセットに頻出するパターンで要約する手法です。この章では、最も基本的な次元削減手法である「主成分分析（PCA）」を学びます。PCAはしばしば教師あり学習の前処理として用いられ、モデル性能や汎化性能の向上に役立ちます。教師なし学習にも有用です。たとえば、PCAの変種を使ってWikipedia記事を内容にもとづいてクラスタリングします。
現在の演習
この章では、サンプルを解釈しやすい部分の組み合わせとして表現する次元削減手法「Non-negative matrix factorization（NMF、非負値行列因子分解）」を学びます。たとえば、文章をトピックの組み合わせとして、画像をよく現れる視覚パターンの組み合わせとして表現します。また、NMFを使って、読むとよい類似記事や、視聴履歴に合う音楽アーティストを提案するレコメンダシステムの作り方も学びます。
