Разделы презентаций
- Разное
- Английский язык
- Астрономия
- Алгебра
- Биология
- География
- Геометрия
- Детские презентации
- Информатика
- История
- Литература
- Математика
- Медицина
- Менеджмент
- Музыка
- МХК
- Немецкий язык
- ОБЖ
- Обществознание
- Окружающий мир
- Педагогика
- Русский язык
- Технология
- Физика
- Философия
- Химия
- Шаблоны, картинки для презентаций
- Экология
- Экономика
- Юриспруденция
Отбор признаков Снижение размерности признакового пространства методом главных
Содержание
- 1. Отбор признаков Снижение размерности признакового пространства методом главных
- 2. Основные приложенияDimensionality reduction Снижение размерности данных при
- 3. Анализ заемщиков банкаЗадача : Проанализировать заемщиков банка на основе различных данных
- 4. Личные данныеСемейное положениеОбразованиеФинансовое состояниеИмуществоКредитная история… Данные могут быть:
- 5. Пример: Give Me Some Credit** https://www.kaggle.com/c/GiveMeSomeCredit
- 6. ПризнакиВозобновляемое использование необеспеченных линийВозрастКоличество просроченных дней 30-59
- 7. Пример: Give Me Some Credit** https://www.kaggle.com/c/GiveMeSomeCredit
- 8. Задача снижения размерностиПредставить набор данных меньшим числом
- 9. Principal Component Analysis (PCA)Данные заданы матрицей
- 10. PCA в SAS Studio
- 11. PCA в SAS Studio
- 12. Principal Component AnalysisОбозначим за C (m×m) матрицу ковариаций признаков матрицы X:В матричном виде:
- 13. Principal Component Analysis Вариация i-го признака: Общая
- 14. Матрица C симметричная и положительно определена. Имеет место равенство:Principal Component Analysis
- 15. Principal Component Analysis Главные компоненты: Доля объясненной вариации:
- 16. Доля объясненной вариации
- 17. Доля объясненной вариации
- 18. Интерпретация главных факторов
- 19. Интерпретация главных факторовИсходя из структуры матрицы факторных
- 20. Интерпретация главных факторов
- 21. Singular value decompositionДанные заданы матрицей
- 22. Выбор числа k главных факторовОбщая дисперсия данных:Доля объясненной дисперсии:Хорошим значением считается доля объясненной дисперсии ≥ 80%
- 23. Задания Воспроизведите программный код, представленный в файле
- 24. PCA в SAS Studio (задание 1)
- 25. PCA в SAS Studio
- 26. PCA в SAS Studio
- 27. PCA в SAS Studio
- 28. PCA в SAS StudioМатрица факторных нагрузок
- 29. Скачать презентанцию
Основные приложенияDimensionality reduction Снижение размерности данных при сохранении всей или большей части информацииFeature extraction Выявление и интерпретация скрытых признаков
Слайды и текст этой презентации
Слайд 2Основные приложения
Dimensionality reduction
Снижение размерности данных при сохранении всей или большей
части информации
Слайд 4Личные данные
Семейное положение
Образование
Финансовое состояние
Имущество
Кредитная история
…
Данные могут быть:
Слайд 6Признаки
Возобновляемое использование необеспеченных линий
Возраст
Количество просроченных дней 30-59
Коэффициент задолженности
Ежемесячный доход
Количество
открытых кредитных линий и займов
Количество просрочек на 90 дней позже
Количество
кредитов на недвижимость или линииКоличество просроченных дней 60-89
Количество иждивенцев
Слайд 8Задача снижения размерности
Представить набор данных меньшим числом признаков таким образом,
чтобы потеря информации, содержащейся в оригинальных данных, была минимальной.
Слайд 9Principal Component Analysis (PCA)
Данные заданы матрицей
размерности n×m, где
и , n – число наблюдений (объектов), m – число признаков.
Слайд 12Principal Component Analysis
Обозначим за C (m×m) матрицу ковариаций признаков матрицы
X:
В матричном виде:
Слайд 13Principal Component Analysis
Вариация i-го признака:
Общая вариация данных:
Задача: найти ортогональные векторы такие, что
т.е. проекция данных на которые позволит сохранить наибольшую вариацию
Слайд 14Матрица C симметричная и положительно определена. Имеет место равенство:
Principal Component
Analysis
Слайд 19Интерпретация главных факторов
Исходя из структуры матрицы факторных нагрузок, можно предложить
следующую интерпретацию:
U1: История просроченных выплат по кредитам
U2: Имеющиеся кредиты
U3: Показатель
независимостиU4: Задолженности
U5: Показатель расточительности
U6: Доход
Слайд 21Singular value decomposition
Данные заданы матрицей
размерности n×m, где
и , n – число наблюдений (объектов), m – число признаков.Требуется среди всех матриц такого же размера n×m и ранга ≤ k найти матрицу Y, для которой норма матрицы будет минимальной.
Слайд 22Выбор числа k главных факторов
Общая дисперсия данных:
Доля объясненной дисперсии:
Хорошим значением
считается доля объясненной дисперсии ≥ 80%
Слайд 23Задания
Воспроизведите программный код, представленный в файле Сем 3_PCA.doc
Воспроизведите
вычисления, представленные в лекционных материалах для набора данных из файла
‘cs-training.csv’. Выполните анализ методом главных компонент, выделите главные факторы, объясняющие не менее 80% дисперсии исходных признаков (или покажите, что этого сделать нельзя), предложите смысловую интерпретацию выделенных главных компонент.
