Exemple de travail de l'analyse en composantes principales?

Question

Y a-t-il des exemples disponibles qui donnent un exemple concret d'analyse en composantes principales sur un ensemble de données? Je suis en train de lire des articles ne parlant que de théorie et je cherche vraiment quelque chose qui me montrera comment utiliser PCA, puis interpréter les résultats et transformer l'ensemble de données original en nouvel ensemble de données. Des suggestions s'il vous plaît?

Answer 1

Si vous connaissez Python, voici un petit exemple pratique:

# Generate correlated data from uncorrelated data. 
# Each column of X is a 3-dimensional feature vector. 
Z = scipy.randn(3, 1000) 
C = scipy.randn(3, 3) 
X = scipy.dot(C, Z) 

# Visualize the correlation among the features. 
pylab.scatter(X[0,:], X[1,:]) 
pylab.scatter(X[0,:], X[2,:]) 
pylab.scatter(X[1,:], X[2,:]) 

# Perform PCA. It can be shown that the principal components of the 
# matrix X are equivalent to the left singular vectors of X, which are 
# equivalent to the eigenvectors of X X^T (up to indeterminacy in sign). 
U, S, Vh = scipy.linalg.svd(X) 
W, Q = scipy.linalg.eig(scipy.dot(X, X.T)) 
print U 
print Q 

# Project the original features onto the eigenspace. 
Y = scipy.dot(U.T, X) 

# Visualize the absence of correlation among the projected features. 
pylab.scatter(Y[0,:], Y[1,:]) 
pylab.scatter(Y[1,:], Y[2,:]) 
pylab.scatter(Y[0,:], Y[2,:]) 

Answer 2

Vous pouvez vérifier http://alias-i.com/lingpipe/demos/tutorial/svd/read-me.html SVD et LSA est une approche très similaire à la PCA sont les deux méthodes de réduction de l'espace. La seule différence dans l'approche d'évaluation de base.

Answer 3

Puisque vous demandez des exemples pratiques, here vous avez une démo interactive avec laquelle jouer.