Step-7-Choosing components and form

Step-7-Choosing components and forming a feature vector
here is where the notion of data compression and reduced
dimensionality comes into it.
If we look at the eigenvectors and Eigen values from the
previous section, we will observe that the Eigen values are
quite different values.
In fact, it turns out that the eigenvector with the highest
Eigen value is the principle component of the data set. What
needs to be done now is you need to form a feature vector.
Taking the eigenvectors that we want to keep from the list
of eigenvectors, and forming a matrix with these eigenvectors
in the columns construct this: -
Feature Vector = (eig1 eig2 eig3……….eig n)
Step-8-Deriving the new data set, is the final step in PCA
and it is also the easiest. Once we have chosen the
components (eigenvectors) that we wish to keep in our data
and formed a feature vector, we simply take the transpose of
the vector and multiply it on the left of the original data set,
transposed.
Final Data=Row Feature Vector*Row Data
Adjust where Row Feature Vector is the matrix with the
eigenvectors in the columns transposed so that the
eigenvectors are now in the rows, with the most significant
eigenvectors at the top, and Row Data Adjust is the meanadjusted
data transposed, i.e. the data items are in each
column, with each row holding a separate dimension [7].

ผลลัพธ์ (ไทย) 1:

ขั้นตอนที่ 7 เลือกส่วนประกอบและขึ้นรูปเวกเตอร์คุณลักษณะตำแหน่งของการบีบอัดข้อมูล และลดมิติมีมันถ้าเราดูเวกเตอร์ลักษณะเฉพาะ และเก็นค่าจากการส่วนก่อนหน้านี้ เราจะสังเกตเห็นว่า ค่าเก็นเป็นค่าแตกต่างกันมากในความเป็นจริง มันเปิดออกที่ eigenvector กับสูงสุดค่าเก็นเป็นส่วนประกอบหลักของชุดข้อมูล อะไรนะต้องทำตอนนี้คือ คุณต้องแบบเวกเตอร์คุณลักษณะการเวกเตอร์ลักษณะเฉพาะที่เราต้องการเก็บจากรายการเวกเตอร์ลักษณะเฉพาะ และขึ้นรูปเมตริกซ์กับเวกเตอร์ลักษณะเฉพาะเหล่านี้ในคอลัมน์สร้างนี้: -มีเวกเตอร์ = (eig1 eig2 eig3... eig n)ชุดข้อมูลใหม่ ขั้นตอนที่ 8 เกิดเป็นขั้นตอนสุดท้ายใน PCAและยังเป็นการง่ายที่สุด เมื่อเราเลือกส่วนประกอบของ(เวกเตอร์ลักษณะเฉพาะ) ที่เราต้องการเก็บไว้ในข้อมูลของเราและเวกเตอร์คุณลักษณะที่เกิดขึ้น เราเพียงแค่ใช้การสลับเปลี่ยนของเวกเตอร์และคูณด้านซ้ายของชุดข้อมูลเดิมแบบสลับแกนข้อมูลสุดท้าย =เวกเตอร์แถวคุณลักษณะ * แถวข้อมูลปรับที่เวกเตอร์แถวคุณลักษณะเป็นเมทริกซ์มีการเวกเตอร์ลักษณะเฉพาะในคอลัมน์แบบสลับแกนเพื่อให้การเวกเตอร์ลักษณะเฉพาะขณะนี้อยู่ในแถว ด้วยสำคัญที่สุดmeanadjusted เป็นเวกเตอร์ลักษณะเฉพาะด้านบน และปรับข้อมูลแถวข้อมูลแบบสลับแกน เช่นข้อมูลสินค้าอยู่ในแต่ละคอลัมน์ กับแต่ละแถวจับแยกมิติ [7]

ผลลัพธ์ (ไทย) 2:

ขั้นตอนที่ 7 การเลือกส่วนประกอบและสร้างเวกเตอร์คุณลักษณะ
ที่นี่เป็นที่ที่ความคิดของการบีบอัดข้อมูลและการลด
มิติมาเป็นมัน.
ถ้าเราดูที่ eigenvectors และค่า Eigen จาก
ส่วนก่อนหน้านี้เราจะสังเกตว่าค่า Eigen มี
แตกต่างกันมาก ค่า.
ในความเป็นจริงก็ปรากฎว่าวิคเตอร์ที่มีสูงสุด
มูลค่า Eigen เป็นส่วนประกอบหลักการของชุดข้อมูล สิ่งที่
ต้องทำในขณะนี้คือคุณจะต้องรูปแบบเวกเตอร์คุณลักษณะ.
การ eigenvectors ที่เราต้องการที่จะเก็บจากรายการ
ของ eigenvectors และการขึ้นรูปเมทริกซ์กับ eigenvectors เหล่านี้
ในคอลัมน์ที่สร้างนี้: -
คุณสมบัติเวกเตอร์ = (eig1 eig2 eig3 ......... .eig n)
ขั้นตอนที่ 8 อันเกิดชุดข้อมูลใหม่เป็นขั้นตอนสุดท้ายใน PCA
และมันยังเป็นที่ง่ายที่สุด เมื่อเราได้เลือก
ส่วนประกอบ (eigenvectors) ที่เราต้องการที่จะเก็บไว้ในข้อมูลของเรา
และรูปแบบเวกเตอร์คุณลักษณะเราก็ใช้เวลา transpose ของ
เวกเตอร์และคูณทางด้านซ้ายของชุดข้อมูลเดิม
ย้าย.
คุณลักษณะสุดท้ายข้อมูล = แถว เวกเตอร์ * ข้อมูลแถว
ปรับที่คุณลักษณะแถวเวกเตอร์เป็นเมทริกซ์ที่มี
eigenvectors ในคอลัมน์ขนย้ายเพื่อให้
eigenvectors ขณะนี้อยู่ในแถวด้วยที่สำคัญที่สุด
eigenvectors ที่ด้านบนและข้อมูลแถวปรับเป็น meanadjusted
ข้อมูลย้ายคือ รายการข้อมูลในแต่ละ
คอลัมน์แต่ละแถวถือเป็นมิติแยกต่างหาก [7]

ผลลัพธ์ (ไทย) 3:

step-7-choosing ส่วนประกอบและรูปแบบเวกเตอร์ที่นี่คือที่ที่ความคิดของการบีบอัดข้อมูลและลดdimensionality เข้ามามันถ้าเราดูที่เสนอ และ eigen ค่าจากส่วนก่อนหน้านี้ เราจะสังเกตว่า eigen ค่าคุณค่าที่แตกต่างกันมากในความเป็นจริง ปรากฎว่าเป็นเวกเตอร์ลักษณะเฉพาะด้วยมากที่สุดค่า eigen เป็นส่วนประกอบหลักของชุดข้อมูล อะไรที่ต้องทำตอนนี้คือคุณต้องฟอร์มคุณลักษณะเวกเตอร์การเสนอที่เราต้องการเก็บจากรายการการเสนอและการสร้างเมทริกซ์กับเสนอเหล่านี้ในคอลัมน์ที่สร้างนี้เวกเตอร์ลักษณะ = ( eig1 eig2 eig3 . eig n )step-8-deriving ข้อมูลชุดใหม่ เป็นขั้นตอนสุดท้ายใน PCAและยังเป็นที่ง่ายที่สุด เมื่อเราได้เลือกส่วนประกอบ ( เสนอ ) ที่เราต้องการเก็บข้อมูล ของเราและรูปแบบที่มีคุณลักษณะเวกเตอร์ , เราก็จะย้ายของเวกเตอร์และการคูณบนซ้ายของเดิมชุดข้อมูลกลับด้าน .สุดท้ายข้อมูล = แถวเวกเตอร์คุณลักษณะ * แถวข้อมูลปรับเวกเตอร์ที่ลักษณะแถวเป็นเมทริกซ์กับเสนอในคอลัมน์กลับด้านแล้วว่าเสนอตอนนี้ในแถวด้วยที่สําคัญมากเสนอที่ด้านบน และปรับเป็น meanadjusted แถวข้อมูลข้อมูลกลับด้านคือข้อมูลในแต่ละรายการคอลัมน์ แต่ละแถวถือมิติแยก [ 7 ]