Внутренняя размерность данных о рыбах

В предыдущем упражнении вы построили график дисперсии признаков PCA для измерений рыб. Ещё раз взгляните на этот график: какое значение «внутренней размерности» для данных о рыбах кажется вам наиболее разумным? Напомним, что внутренняя размерность — это количество признаков PCA со значительной дисперсией.

Это упражнение является частью курса

Обучение без учителя на Python

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Обучение без учителя на Python

SkillTag.level.intermediateSkillTag.label

4.8+

Начать курс бесплатно

Научитесь выявлять скрытые группы (кластеры) в наборах данных. К концу этой главы вы будете кластеризовать компании по динамике их акций на фондовом рынке и различать биологические виды, группируя их по измеренным характеристикам.

Exercise 1: Обучение без учителя Exercise 2: Сколько кластеров?Exercise 3: Кластеризация двумерных точек Exercise 4: Исследуйте результаты кластеризации Exercise 5: Оценка качества кластеризации Exercise 6: Сколько кластеров зерна?Exercise 7: Оценка кластеризации зерна Exercise 8: Преобразование признаков для улучшения кластеризации Exercise 9: Масштабирование данных о рыбах для кластеризации Exercise 10: Кластеризация данных о рыбах Exercise 11: Кластеризация акций с помощью KMeans Exercise 12: Какие акции движутся вместе?

В этой главе вы познакомитесь с двумя методами обучения без учителя для визуализации данных: иерархической кластеризацией и t-SNE. Иерархическая кластеризация объединяет наблюдения в последовательно укрупняющиеся кластеры, формируя древовидную структуру. t-SNE отображает данные в двумерное пространство, позволяя визуально оценить близость между наблюдениями.

Exercise 1: Визуализация иерархий Exercise 2: Сколько операций слияния?Exercise 3: Иерархическая кластеризация данных о зерне Exercise 4: Иерархия акций Exercise 5: Метки кластеров в иерархической кластеризации Exercise 6: Какие кластеры ближе всего?Exercise 7: Другое связывание — другая иерархическая кластеризация!Exercise 8: Промежуточные кластеризации Exercise 9: Извлечение меток кластеров Exercise 10: t-SNE для двумерных карт Exercise 11: Визуализация набора данных о зерне с помощью t-SNE Exercise 12: Карта фондового рынка на основе t-SNE

Снижение размерности позволяет описать набор данных через его наиболее характерные закономерности. В этой главе вы изучите один из фундаментальных методов снижения размерности — метод главных компонент (PCA). PCA часто применяется перед обучением с учителем, чтобы повысить качество и обобщающую способность модели. Он также полезен в задачах обучения без учителя: например, с его помощью вы сможете кластеризовать статьи Википедии по содержанию.

Exercise 1: Визуализация преобразования PCA Exercise 2: Коррелированные данные в природе Exercise 3: Удаление корреляции в измерениях зёрен с помощью PCA Exercise 4: Главные компоненты Exercise 5: Внутренняя размерность Exercise 6: Первая главная компонента Exercise 7: Дисперсия признаков PCA Exercise 8: Внутренняя размерность данных о рыбах

Текущее упражнение

Exercise 9: Снижение размерности с помощью PCA Exercise 10: Снижение размерности данных об измерениях рыб Exercise 11: Массив частот слов tf-idf Exercise 12: Кластеризация Wikipedia. Часть I Exercise 13: Кластеризация Wikipedia. Часть II

В этой главе вы познакомитесь с методом снижения размерности — неотрицательным матричным разложением (NMF), который представляет наблюдения как комбинации интерпретируемых составляющих. Например, он описывает документы как сочетания тем, а изображения — через часто встречающиеся визуальные паттерны. Вы также узнаете, как применять NMF для построения рекомендательных систем, способных предлагать похожие статьи или музыкальных исполнителей на основе ваших предпочтений.

Exercise 1: Неотрицательное матричное разложение (NMF)Exercise 2: Неотрицательные данные Exercise 3: NMF применительно к статьям Википедии Exercise 4: Признаки NMF для статей Википедии Exercise 5: NMF восстанавливает выборки Exercise 6: NMF обучается на интерпретируемых компонентах Exercise 7: NMF извлекает темы документов Exercise 8: Изучение набора данных с цифрами на LED-дисплее Exercise 9: NMF выделяет части изображений Exercise 10: PCA не выделяет части объектов Exercise 11: Построение рекомендательных систем с помощью NMF Exercise 12: Какие статьи похожи на статью о Криштиану Роналду?Exercise 13: Рекомендуем музыкальных исполнителей. Часть I Exercise 14: Рекомендация музыкальных исполнителей, часть II Exercise 15: Заключительные мысли