Pusatkan datanya.
Kurangi setiap kolom dengan rata-ratanya. Pola tetap sama, pusat berpindah ke nol.
Xc = X − μAljabar linear, lewat percobaan.
Belajar PCA,
lihat cara kerjanya.
Dari empat titik sederhana sampai Python dan rekonstruksi gambar. Ubah datanya, coba simulasinya, pahami konsepnya.
Coba langsung
2 dimensi → 1 dimensi
Satu garis.
Sudutnya menentukan.
Putar garisnya. Di sudut mana titik-titik proyeksi terlihat paling menyebar?
Varians tersimpan50%
Lanjutkan percobaan Coba geser ke 45°. Di sana variansnya paling besar.
Ruang belajar PCA
Satu konsep.
Banyak cara untuk memahaminya.
Mulai dari intuisi, lanjutkan dengan eksperimen yang bisa kamu kendalikan.
Simulasi geometri
Cari arah yang paling berarti.
Geser empat titik, putar garis proyeksi, dan lihat sendiri mengapa PCA memilih arah tertentu.
Jelajahi geometriPraktik Python
Dari empat ukuran, jadi dua sumbu.
Jalankan scikit-learn pada dataset Iris. Baca peta sebaran, varians, dan koefisien hasilnya.
Buka lab PythonRekonstruksi gambar
Lihat detailnya kembali, satu per satu.
Simpan sedikit komponen, lalu tambah perlahan. Bandingkan gambar asli dengan hasil PCA.
Coba rekonstruksiEksperimen data
Pola apa yang ada di datamu?
Pilih data contoh atau unggah CSV. Ubah variabel dan skalanya, lalu bandingkan hasil analisis.
Analisis dataIntuisi di balik rumus
Seperti mencari
sudut pandang terbaik.
Bayangkan awan titik yang memanjang. Dari ujungnya, banyak titik tampak bertumpuk. Dari arah lain, perbedaannya terlihat lebih jelas.
PCA mencari arah dengan varians proyeksi terbesar. Arah pertama disebut PC1; arah berikutnya tegak lurus terhadap arah sebelumnya.
Lihat melalui percobaanCari arah utamanya.
Eigenvector memberi arah. Eigenvalue memberi banyaknya varians pada arah itu.
Cv = λvSimpan yang diperlukan.
Proyeksikan data ke beberapa komponen. Dimensi berkurang, sebagian varians ikut terbuang.
Z = XcW“Informasi” dalam PCA berarti varians. Varians besar belum tentu paling penting untuk tujuanmu. Perhatikan skala variabel dan pencilan ketika membaca hasil.