文件名称：Data-Science-in-Finance-Dimension-Reduction
文件大小：303KB
文件格式：ZIP
更新时间：2024-04-30 09:09:18
主成分分析（PCA）是机器学习中的一种降维方法。 PCA将选择能够解释大多数数据变异性的“变量”。 如果您熟悉统计回归分析，那么可变性的概念类似于确定系数R2。 为了使主成分分析技术能够正常运行，必须满足的假设： 变量类型是数字。 输入到PCA的变量是预测变量。 预测变量具有线性关系。 所有变量都必须标准化（居中并按比例缩放）。 以下是进行主成分分析所需的步骤： 准备数据（数据标准化） 计算协方差矩阵或相关矩阵 从相关矩阵计算特征值和特征向量 选择主要成分 输出可视化 计算新分数。 主成分分析技术的工作方式是选择方差最大的主成分。 PCA方法的工作方式导致此方法对不同的变量值或不同的可变比例非常敏感。 为了使PCA不会“选择”错误的变量，需要对输入变量进行标准化。 通过将变量的每个观察值除以变量均值并除以变量标准差，即可完成变量标准化。 R提供prcomp（）和princ
【文件预览】：
Data-Science-in-Finance-Dimension-Reduction-main
----gambar15.jpg(21KB)
----gambar4.png(9KB)
----gambar6.png(16KB)
----gambar9.png(6KB)
----gambar1.jpg(10KB)
----gambar12.png(13KB)
----gambar10.png(16KB)
----gambar14.png(36KB)
----gambar2.jpg(8KB)
----gambar11.png(8KB)
----gambar7.jpg(27KB)
----gambar5.png(4KB)
----gambar3.jpg(15KB)
----gambar13.png(96KB)
----README.md(17KB)
----gambar8.jpg(32KB)