складність 3/5
PCA
Поворот осей на напрямки найбільшого розкиду. Він робить дані некорельованими й упорядковує нові осі за рангом, тож останні можна відкинути й точно знати, чого це коштує.
Інтуїція
Виміряйте одне й те саме трьома способами — і матимете три стовпці, які несуть інформації приблизно на один. Посібник, за яким іде ця сторінка, називає це надлишковістю і прямо формулює спостереження: коли два вимірювання сильно корельовані, «можна обчислити r₁ з r₂ (або навпаки) за допомогою лінії найкращого наближення. Запис лише одного відгуку виразив би дані стисліше… Власне, це і є центральна ідея зменшення розмірності» [1, §IV.2].
Друге спостереження — про те, які напрямки важливі. У хмарі, витягнутій уздовж діагоналі, «напрямок із найбільшою дисперсією — це не x̂ і не ŷ, а напрямок уздовж довгої осі хмари» [1, §IV.1]. Осі, в яких вам випало вимірювати, довільні; осі, вздовж яких дані справді розкидані, — ні.
PCA робить щодо обох одне: обертає. Він знаходить новий набір перпендикулярних осей, упорядкованих так, щоб перша мала найбільший розкид, і в цьому базисі стовпці некорельовані. Саме обертання нічого не відкидає — відкидання відбувається потім, а впорядкування точно каже вам, чого воно коштує.
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
Джерела
- A Tutorial on Principal Component Analysis (2014)paperhttps://ar5iv.labs.arxiv.org/html/1404.1100
- scikit-learn User Guide — Clusteringdocs · звірено 2026-09-06https://scikit-learn.org/stable/modules/clustering.html