Since we want a parameterization in

Since we want a parameterization in terms of a few scalar values, the main method we will use from the class is the backproject method. It takes principal component coordinates of projected vectors and reconstructs the original ones. We could retrieve the original vectors if we retained all the components, but the difference will be very small if we just use a couple of components; that's one of the reasons for using PCA. Since we want some variability around the original vectors, our parameterized scalars will be able to extrapolate the original data.

ผลลัพธ์ (ไทย) 1:

เนื่องจากเราต้อง parameterization ในค่าสเกลากี่ วิธีการหลักที่เราจะใช้ได้จากระดับเป็นวิธีการ backproject ใช้พิกัดหลักส่วนประกอบของเวกเตอร์คาดการณ์ และ reconstructs คนเดิม เราสามารถเรียกเวกเตอร์เดิมถ้าเราเก็บส่วนประกอบทั้งหมด แต่ความแตกต่างจะดีมากถ้าเราใช้เพียงไม่กี่ส่วนประกอบ ที่เป็นหนึ่งในเหตุผลสำหรับการใช้ PCA เนื่องจากเราต้องการสำหรับความผันผวนบางสถานเวกเตอร์เดิม scalars พารามิเตอร์ของเราจะต้อง extrapolate ข้อมูลต้นฉบับ

ผลลัพธ์ (ไทย) 2:

เนื่องจากเราต้องการพาราเมทในแง่ของค่าสเกลาร์ไม่กี่วิธีการหลักที่เราจะใช้จากชั้นเรียนเป็นวิธีการ backproject มันต้องใช้พิกัดองค์ประกอบหลักของเวกเตอร์ที่คาดการณ์ไว้และ reconstructs คนเดิม เราสามารถเรียกเวกเตอร์เดิมถ้าเรายังคงส่วนประกอบทั้งหมด แต่ความแตกต่างจะมีขนาดเล็กมากถ้าเราเพียงแค่ใช้สองสามส่วนประกอบ; นั่นคือหนึ่งในเหตุผลสำหรับการใช้ PCA เนื่องจากเราต้องการความแปรปรวนบางรอบเวกเตอร์เดิมเกลาแปรของเราจะสามารถที่จะคาดการณ์ข้อมูลเดิม

ผลลัพธ์ (ไทย) 3:

เนื่องจากเราต้องการ parameterization ในแง่ของค่าสเกลาร์น้อย หลักวิธีที่เราจะใช้จากคลาสเป็น backproject วิธี มันต้องใช้ชิ้นส่วนหลักพิกัดของเวกเตอร์และ reconstructs สำหรับต้นฉบับ เราสามารถเรียกเวกเตอร์ต้นฉบับ ถ้าเราสะสมชิ้นส่วนทั้งหมด แต่ความแตกต่างจะน้อยมาก ถ้าเราใช้สององค์ประกอบนั่นเป็นหนึ่งในเหตุผลสำหรับการใช้ PCA . เนื่องจากเราต้องการความแปรปรวนรอบเวกเตอร์เดิม scalars พารามิเตอร์ของเราจะสามารถคาดการณ์ข้อมูลต้นฉบับ