> ML_ALGORITHM // PRINCIPAL-COMPONENT-ANALYSIS_v1.0
Temel Bileşenler Analizi (PCA ve TruncatedSVD)
Yüksek boyutlu verileri maksimum varyansın dik eksenlerine yansıtan ortogonal doğrusal dönüşüm.
Linear Dimensionality Reductionclassical-unsupervisedhigh-intrinsicsmall (<1k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(min(n^3, p^3) + n * p * min(n, p))
Çıkarım (Inference):O(p * components)
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:high-intrinsic
Eğitim Verisi İhtiyacı:small (<1k)
Açıklanabilirlik Değerlendirmesi
Temel eksenler, yükleri kesin katkıyı gösteren özelliklerin doğrusal kombinasyonlarıdır.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
dimensionality reductionfeature extractionanomaly detection
Desteklenen Modaliteler:
tabularimage
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- Öncesinde sıfır merkezleme ve birim varyans normalizasyonu yapmadan PCA uygulamak