下圖顯示同一個點雲的三個散佈圖。每個散佈圖都用紅色顯示一組不同的座標軸。哪一張圖中的座標軸，可能代表該點雲的主成分？
回想一下，主成分是資料變異最大的方向。
本練習屬於課程
將理論付諸實踐，立即體驗我們的互動練習
學習如何找出資料集中潛在的群組（或「叢集」）。在本章結束時，你會用股價資料對公司進行分群，並透過分群以量測資料來區分不同物種。
本章將介紹兩種用於資料視覺化的非監督式學習技術：階層式分群與 t-SNE。階層式分群會將資料樣本逐步合併為更粗的叢集，並以樹狀圖呈現得到的叢集階層。t-SNE 則把資料樣本映射到 2 維空間，讓樣本之間的相近關係能被視覺化。
降維會以常見的出現模式來摘要一個資料集。在本章中，你將學習最基礎的降維技術——「主成分分析」（「PCA」）。PCA 常在監督式學習前使用，以提升模型效能與泛化能力；同樣也能用於非監督式學習。例如，你將運用一種 PCA 的變體，依內容對 Wikipedia 文章進行分群！
當前練習
本章將介紹一種名為「非負矩陣分解」（「NMF」）的降維技術，能將樣本表達為可解釋部件的組合。例如，它能將文件表達為主題的組合，並以常見的視覺模式來表達影像。你也會學到如何使用 NMF 建立推薦系統，找出適合你閱讀的相似文章，或符合你收聽紀錄的音樂藝人！
