Singular value decomposition
ในแบบฝึกหัดที่แล้ว คุณได้เห็นแล้วว่า PCA มีประโยชน์เพียงใดในการลดมิติของชุดข้อมูล เมื่อต้องตอบคำถามเกี่ยวกับ high dimensionality ในการสัมภาษณ์ Machine Learning
ในแบบฝึกหัดนี้ จะได้ฝึกใช้ SVD กับชุดข้อมูล diabetes transformer ตัวนี้สามารถทำงานกับ sparse matrix ได้อย่างมีประสิทธิภาพ ต่างจาก PCA และทำการลดมิติแบบเชิงเส้นด้วยวิธี truncated singular value decomposition
ทบทวนกันอีกครั้ง: singular value decomposition นำเมทริกซ์ข้อมูลต้นฉบับมาแยกย่อยเป็นสามเมทริกซ์ แล้วนำไปคำนวณและคืนค่า singular value
ใช้เทคนิคที่ต่างออกไปในตำแหน่งเดิมของ pipeline:
แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร
ฝึกตอบคำถามสัมภาษณ์ Machine Learning ด้วย Python
แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ
ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์
# Import module
from ____.____ import ____
# Feature matrix and target array
X = ____.____('____', axis=1)
y = ____['____']