Метод главных компонент для снижения размерности данных: реализация на основе собственных векторов ковариационной матрицы

Курсовая · 20–25 страниц · Математика · студент

Пошаговое построение PCA на наборе данных о цветах ириса, визуализация проекции на первые две главные компоненты и оценка доли объяснённой дисперсии.

Метод главных компонент (PCA) сжимает данные, сохраняя максимум дисперсии. Мы разберём математику метода через ковариационную матрицу и её собственные векторы, а затем применим его к реальному набору данных. Покажем, как выбрать число компонент и как интерпретировать полученные проекции.

Работа по этой теме — за несколько минут. План и структура бесплатно и без регистрации, оплата — только за готовый документ с оформлением по ГОСТ.

Сгенерировать текст курсовой по этой теме

Оглавление курсовой

  1. Математические основы PCA
    • <built-in method title of str object at 0x7fa6fa283e10>
    • <built-in method title of str object at 0x7fa6f790a590>
    • <built-in method title of str object at 0x7fa6f7ac88f0>
  2. Алгоритм метода главных компонент
    • <built-in method title of str object at 0x7fa6f7bb3680>
    • <built-in method title of str object at 0x7fa6f7bb00e0>
    • <built-in method title of str object at 0x7fa6f7aca010>
  3. Реализация на языке Python
    • <built-in method title of str object at 0x7fa6f7bb0ea0>
    • <built-in method title of str object at 0x7fa6f7acab50>
    • <built-in method title of str object at 0x7fa6f7b1d8f0>
  4. Применение к набору данных Iris
    • <built-in method title of str object at 0x7fa6f7b1c660>
    • <built-in method title of str object at 0x7fa6f7b1eaf0>
    • <built-in method title of str object at 0x7fa6f7bb1420>

Оглавление можно менять: перед оплатой вы бесплатно правите главы и параграфы под требования преподавателя.

Текст работы

Полный текст появится после заказа. Закажите первым.

Курсовая пишется с нуля по этому оглавлению — с оформлением по ГОСТ.

Заказать работу по этой теме

← Все темы · Всё про «курсовая»