차원축소 (2) 썸네일형 리스트형 FDA 정리 및 코드 구현 Fisher Discriminant Analysis (FDA)import numpy as npimport matplotlib.pyplot as plt%matplotlib inline# generating data set n0 = 200 n1 = 200 sigma = \[0.9,−0.4, −0.4,0.3\]np.random.seed(0)x0 = np.random.multivariate\_normal(2.5,2.5, sigma, n0) # data in class 0x1 = np.random.multivariate\_normal(1,1, sigma, n1) # data in class 1print(x0.shape)print(x1.shape)(200, 2.. PCA 정리 및 코드 구현 PCA의 주요 개념분산(Variance): 데이터가 얼마나 퍼져 있는지를 나타내며, PCA는 분산이 큰 방향(즉, 정보가 많이 있는 방향)을 찾습니다.주성분(Principal Component): 분산이 가장 큰 방향의 벡터입니다. 첫 번째 주성분은 가장 많은 분산을 설명하고, 두 번째 주성분은 그다음으로 많은 분산을 설명하며, 서로 직교합니다.공분산 행렬(Covariance Matrix): 각 변수 간의 상관관계를 나타내는 행렬로, 이 행렬의 고유벡터(eigenvector)를 통해 주성분을 구합니다.고유벡터와 고유값(Eigenvectors and Eigenvalues): 공분산 행렬에서 고유벡터는 주성분의 방향을, 고유값은 각 주성분이 설명하는 분산의 크기를 의미합니다.PCA의 장점차원 축소: 고차원 .. 이전 1 다음
