|
- 如何通俗易懂地讲解什么是 PCA（主成分分析）？ - 知乎
如何通俗易懂地讲解什么是 PCA（主成分分析）？ 博主没学过数理统计，最近看 paper 经常遇到，但是网上的讲解太专业看不懂，谁能通俗易懂的讲解一下，主成分分析作用是什么？
- PCA图怎么看？ - 知乎
PCA结果图主要由5个部分组成 ①第一主成分坐标轴及主成分贡献率主成分贡献率，即每个主成分的方差在这一组变量中的总方差中所占的比例 ②纵坐标为第二主成分坐标及主成分贡献率 ③分组，图中分为TNBC组和非TNBC组，探究两者之间的关系 ④通常为百分之95置信区间，不同的圆圈代表不同分组
- word2vec 相比之前的 Word Embedding 方法好在什么地方？ - 知乎
[4] What is the connection between PCA and Word2Vec in terms of word embedding? Is there an empiric superiority between the two? [5] GloVe: Global Vectors for Word Representation [6] Improving Distributional Similarity with Lessons Learned from Word Embeddings [7] Linguistic Regularities in Sparse and Explicit Word Representations
- 流形学习：为什么PCA是线性降维算法，而如LE . . . - 知乎
1 2 PCA 的线性假设在什么情况下会失效？ PCA 的线性假设在处理具有复杂非线性结构的数据时可能会失效： 非线性流形：如果数据分布在一个弯曲的流形上，PCA 无法有效地捕捉数据的内在结构。
- R统计绘图-PCA分析绘图及结果解读 (误差线，多边形，双Y轴图、球形检验、KMO和变量筛选等)
根据PCA分析的目的，有时专家审稿会要求对原始变量进行Bartlett's test of sphericity (球形检验)和Kaiser-Meyer-Olkin Measure of Sampling Adequacy (KMO采样充分性检验)，检验数据是否合适进行PCA (因子)分析，还要求对变量进行筛选 (communality<0 5)的变量。
- 怎么理解probabilistic pca？ - 知乎
1、PCA的两种理解：最大化方差、最小化投影损失 这部分理解比较常见，公式的推导也比较容易，可以用拉格朗日乘子法发现两种理解的最终解相同。
- 如何理解稀疏主成分分析 (Sparse Principal Component Analysis)? - 知乎
变量经过PCA后得到的主成分通常在多个原始变量上都不为 0 ，这导致进行PCA后的主成分的含义较为模糊，给数据分析带来了一定难度，因此Zou等（2006）提出的一种新的主成分分析方法，稀疏主成分分析（Sparse Principal Component Analysis [1]，SPCA）。
- 在主成分分析法中，是否对样本容量的多少有规定？样本容量是不是越多越好？ - 知乎
当你这么做的时候，你就是在做PCA了。 具体怎么找这个平面呢，在概念上，你首先找到数据点分布范围最广、即方差最大的那个方向（上图绿色箭头），然后在剩下的与其垂直的所有方向中再找另一个方差最大的方向（上图蓝色箭头）。
|
|
|