Submit Search
Upload
主成分分析
•
Download as PPTX, PDF
•
1 like
•
178 views
Y
Yasuhiro Kanno
Follow
初心者向けの説明ができたと思います。
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 19
Download now
Recommended
02 mg ejemplo01
02 mg ejemplo01
DarioDuarteFree
Método Gráfico
データ解析13 線形判別分析
データ解析13 線形判別分析
Hirotaka Hachiya
線形判別分析
データ解析7 主成分分析の基礎
データ解析7 主成分分析の基礎
Hirotaka Hachiya
主成分分析の基礎
データ解析5 単回帰分析
データ解析5 単回帰分析
Hirotaka Hachiya
単回帰分析
データ解析10 因子分析の基礎
データ解析10 因子分析の基礎
Hirotaka Hachiya
因子分析の基礎
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
Hirotaka Hachiya
主成分分析の応用
データ解析4 確率の復習
データ解析4 確率の復習
Hirotaka Hachiya
確率の復習
データ解析11 因子分析の応用
データ解析11 因子分析の応用
Hirotaka Hachiya
因子分析の応用
Recommended
02 mg ejemplo01
02 mg ejemplo01
DarioDuarteFree
Método Gráfico
データ解析13 線形判別分析
データ解析13 線形判別分析
Hirotaka Hachiya
線形判別分析
データ解析7 主成分分析の基礎
データ解析7 主成分分析の基礎
Hirotaka Hachiya
主成分分析の基礎
データ解析5 単回帰分析
データ解析5 単回帰分析
Hirotaka Hachiya
単回帰分析
データ解析10 因子分析の基礎
データ解析10 因子分析の基礎
Hirotaka Hachiya
因子分析の基礎
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
Hirotaka Hachiya
主成分分析の応用
データ解析4 確率の復習
データ解析4 確率の復習
Hirotaka Hachiya
確率の復習
データ解析11 因子分析の応用
データ解析11 因子分析の応用
Hirotaka Hachiya
因子分析の応用
東京都市大学 データ解析入門 10 ニューラルネットワークと深層学習 1
東京都市大学 データ解析入門 10 ニューラルネットワークと深層学習 1
hirokazutanaka
ニューラルネットワーク 単層ネットワーク-パーセプトロン(perceptron) パーセプトロンの学習則とその収束定理 パーセプトロンの記憶容量: Coverの数え上げ定理 パーセプトロンの限界:線形分離問題 ニューラルネットワーク 多層ネットワーク 関数近似としての教師あり学習 関数近似定理 応用例: NetTalk, Grove-TalkII, 自動運転 誤差逆伝播アルゴリズム 二乗誤差(回帰問題)とクロスエントロピー(分類問題) 確率勾配降下アルゴリズム 講師: 東京都市大学 田中宏和 講義ビデオ: https://www.youtube.com/playlist?list=PLXAfiwJfs0jGOvZnwUdAykZvSdRFd7K2p
Prml1.2.4
Prml1.2.4
Tomoyuki Hioki
パターン認識と機械学習 (ベイズ理論による統計的予測) 1.2.4 Pattern Recognition and Machine Learning (PRML)
Time series analysis with python chapter2-1
Time series analysis with python chapter2-1
ShoKumada
データラーニングギルドの時系列輪読会の第2回前半の資料です
An introduction to statistical learning 4 logistic regression manu
An introduction to statistical learning 4 logistic regression manu
Hideyuki Takahashi
『An Introduction to Statistical Learning』G・James他、Springer、2009 第4章の発表スライド 誤字や内容の誤りが有るかもしれません。 http://www-bcf.usc.edu/~gareth/ISL/index.html
人生を豊かにする線形代数学
人生を豊かにする線形代数学
Fumiya Watanabe
東工大ロボット技術研究会第二回rogyゼミで発表した内容です。 線形代数は学んで損はないのでぜひやりましょう。
prml_titech_9.0-9.2
prml_titech_9.0-9.2
Taikai Takeda
PRML 9.0-9.2 混合ガウス分布とEMアルゴリズムの資料
データ解析6 重回帰分析
データ解析6 重回帰分析
Hirotaka Hachiya
重回帰分析
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Zansa
Zansa第12回勉強会の資料 「PRMLからベイズの世界へ」
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2
KazuhiroSato8
エクテックカジュアル勉強会 『Excelで機械学習入門(第2回)』 の投影資料となります。
第8回スキル養成講座講義資料.pdf
第8回スキル養成講座講義資料.pdf
keiodig
2022/11/18開催の第8回スキル養成講座講義資料です。
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
kenyanonaka
dynamic programming 動的計画法 DP
PRML 上 1.2.4 ~ 1.2.6
PRML 上 1.2.4 ~ 1.2.6
禎晃 山崎
i.i.d. の変数の生成と混合分布を用いて,最尤推定しているところなど一部参考文献とニュアンスが異なっているかと思います。 見やすいと思った資料↓↓ 1章 https://speakerdeck.com/tkngue/prml-chapter01-at-nut 3章 http://www.iip.ist.i.kyoto-u.ac.jp/member/keisuke/resources/PRML_sec3_2.pdf https://www.slideshare.net/yasunoriozaki12/prml-29439402 5章前半(特にわかりやすいかと) https://www.slideshare.net/t_koshikawa/prml-5-pp227pp247
PRML復々習レーン#2 2.3.6 - 2.3.7
PRML復々習レーン#2 2.3.6 - 2.3.7
sleepy_yoshi
PRML復々習レーン#2 2.3.6 - 2.3.7
双対性
双対性
Yoichi Iwata
JOI春合宿2018講義資料
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
hirokazutanaka
線形回帰問題と最適化問題 回帰問題における外れ値問題 最小二乗法の問題点 ロバスト線形回帰 最適化問題としての回帰 問題最小二乗法 勾配降下法 LASSO回帰 優決定系におけるスパース回帰 講師: 東京都市大学 田中宏和 講義ビデオ: https://www.youtube.com/playlist?list=PLXAfiwJfs0jGOvZnwUdAykZvSdRFd7K2p
データサイエンス概論第一=4-2 確率と確率分布
データサイエンス概論第一=4-2 確率と確率分布
Seiichi Uchida
九州大学大学院システム情報科学研究院「データサイエンス実践特別講座」が贈る,数理・情報系『でない』学生さんのための「データサイエンス講義
Time series analysis with python 1 3
Time series analysis with python 1 3
ShoKumada
DLG 時系列分析の輪読会2回目ー後半の資料です
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
https://math-coding.connpass.com/event/147508/ Math&coding#6 の発表資料
ユニバーサルなベイズ測度について
ユニバーサルなベイズ測度について
Joe Suzuki
IBIS-ML研究会 2013年7月18日 早稲田大学理工学部
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
ssuserf4860b
ラビットチャレンジレポート 機械学習
More Related Content
Similar to 主成分分析
東京都市大学 データ解析入門 10 ニューラルネットワークと深層学習 1
東京都市大学 データ解析入門 10 ニューラルネットワークと深層学習 1
hirokazutanaka
ニューラルネットワーク 単層ネットワーク-パーセプトロン(perceptron) パーセプトロンの学習則とその収束定理 パーセプトロンの記憶容量: Coverの数え上げ定理 パーセプトロンの限界:線形分離問題 ニューラルネットワーク 多層ネットワーク 関数近似としての教師あり学習 関数近似定理 応用例: NetTalk, Grove-TalkII, 自動運転 誤差逆伝播アルゴリズム 二乗誤差(回帰問題)とクロスエントロピー(分類問題) 確率勾配降下アルゴリズム 講師: 東京都市大学 田中宏和 講義ビデオ: https://www.youtube.com/playlist?list=PLXAfiwJfs0jGOvZnwUdAykZvSdRFd7K2p
Prml1.2.4
Prml1.2.4
Tomoyuki Hioki
パターン認識と機械学習 (ベイズ理論による統計的予測) 1.2.4 Pattern Recognition and Machine Learning (PRML)
Time series analysis with python chapter2-1
Time series analysis with python chapter2-1
ShoKumada
データラーニングギルドの時系列輪読会の第2回前半の資料です
An introduction to statistical learning 4 logistic regression manu
An introduction to statistical learning 4 logistic regression manu
Hideyuki Takahashi
『An Introduction to Statistical Learning』G・James他、Springer、2009 第4章の発表スライド 誤字や内容の誤りが有るかもしれません。 http://www-bcf.usc.edu/~gareth/ISL/index.html
人生を豊かにする線形代数学
人生を豊かにする線形代数学
Fumiya Watanabe
東工大ロボット技術研究会第二回rogyゼミで発表した内容です。 線形代数は学んで損はないのでぜひやりましょう。
prml_titech_9.0-9.2
prml_titech_9.0-9.2
Taikai Takeda
PRML 9.0-9.2 混合ガウス分布とEMアルゴリズムの資料
データ解析6 重回帰分析
データ解析6 重回帰分析
Hirotaka Hachiya
重回帰分析
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Zansa
Zansa第12回勉強会の資料 「PRMLからベイズの世界へ」
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2
KazuhiroSato8
エクテックカジュアル勉強会 『Excelで機械学習入門(第2回)』 の投影資料となります。
第8回スキル養成講座講義資料.pdf
第8回スキル養成講座講義資料.pdf
keiodig
2022/11/18開催の第8回スキル養成講座講義資料です。
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
kenyanonaka
dynamic programming 動的計画法 DP
PRML 上 1.2.4 ~ 1.2.6
PRML 上 1.2.4 ~ 1.2.6
禎晃 山崎
i.i.d. の変数の生成と混合分布を用いて,最尤推定しているところなど一部参考文献とニュアンスが異なっているかと思います。 見やすいと思った資料↓↓ 1章 https://speakerdeck.com/tkngue/prml-chapter01-at-nut 3章 http://www.iip.ist.i.kyoto-u.ac.jp/member/keisuke/resources/PRML_sec3_2.pdf https://www.slideshare.net/yasunoriozaki12/prml-29439402 5章前半(特にわかりやすいかと) https://www.slideshare.net/t_koshikawa/prml-5-pp227pp247
PRML復々習レーン#2 2.3.6 - 2.3.7
PRML復々習レーン#2 2.3.6 - 2.3.7
sleepy_yoshi
PRML復々習レーン#2 2.3.6 - 2.3.7
双対性
双対性
Yoichi Iwata
JOI春合宿2018講義資料
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
hirokazutanaka
線形回帰問題と最適化問題 回帰問題における外れ値問題 最小二乗法の問題点 ロバスト線形回帰 最適化問題としての回帰 問題最小二乗法 勾配降下法 LASSO回帰 優決定系におけるスパース回帰 講師: 東京都市大学 田中宏和 講義ビデオ: https://www.youtube.com/playlist?list=PLXAfiwJfs0jGOvZnwUdAykZvSdRFd7K2p
データサイエンス概論第一=4-2 確率と確率分布
データサイエンス概論第一=4-2 確率と確率分布
Seiichi Uchida
九州大学大学院システム情報科学研究院「データサイエンス実践特別講座」が贈る,数理・情報系『でない』学生さんのための「データサイエンス講義
Time series analysis with python 1 3
Time series analysis with python 1 3
ShoKumada
DLG 時系列分析の輪読会2回目ー後半の資料です
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ryosuke-kojima
https://math-coding.connpass.com/event/147508/ Math&coding#6 の発表資料
ユニバーサルなベイズ測度について
ユニバーサルなベイズ測度について
Joe Suzuki
IBIS-ML研究会 2013年7月18日 早稲田大学理工学部
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
ssuserf4860b
ラビットチャレンジレポート 機械学習
Similar to 主成分分析
(20)
東京都市大学 データ解析入門 10 ニューラルネットワークと深層学習 1
東京都市大学 データ解析入門 10 ニューラルネットワークと深層学習 1
Prml1.2.4
Prml1.2.4
Time series analysis with python chapter2-1
Time series analysis with python chapter2-1
An introduction to statistical learning 4 logistic regression manu
An introduction to statistical learning 4 logistic regression manu
人生を豊かにする線形代数学
人生を豊かにする線形代数学
prml_titech_9.0-9.2
prml_titech_9.0-9.2
データ解析6 重回帰分析
データ解析6 重回帰分析
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
【Zansa】第12回勉強会 -PRMLからベイズの世界へ
Casual learning machine learning with_excel_no2
Casual learning machine learning with_excel_no2
第8回スキル養成講座講義資料.pdf
第8回スキル養成講座講義資料.pdf
これならわかる最適化数学8章_動的計画法
これならわかる最適化数学8章_動的計画法
PRML 上 1.2.4 ~ 1.2.6
PRML 上 1.2.4 ~ 1.2.6
PRML復々習レーン#2 2.3.6 - 2.3.7
PRML復々習レーン#2 2.3.6 - 2.3.7
双対性
双対性
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
東京都市大学 データ解析入門 6 回帰分析とモデル選択 1
データサイエンス概論第一=4-2 確率と確率分布
データサイエンス概論第一=4-2 確率と確率分布
Time series analysis with python 1 3
Time series analysis with python 1 3
グラフニューラルネットワーク入門
グラフニューラルネットワーク入門
ユニバーサルなベイズ測度について
ユニバーサルなベイズ測度について
ラビットチャレンジレポート 機械学習
ラビットチャレンジレポート 機械学習
主成分分析
1.
主成分分析 (Principal Component Analysis,
PCA) 明治大学理工学部応用化学科 データ化学工学研究室 B4 菅野 泰弘
2.
主成分分析 2 一般的に4次元以上の空間の様子を人が直接視覚することは不可能です。 この多次元のデータ構造を知るために一般に利用される方法が主成分分析(PCA)と呼ばれるものです。 要約してしまうと 「新しい軸を作り次元圧縮することで視覚化できるようにする⽅法」
3.
主成分分析 3 予備知識 全情報量 (𝑥1, 𝑥2) 𝑥1 𝑥2 情報量 (𝑥1) 𝑥1 𝑥2 𝑥1軸と𝑥2軸にそれぞれ射影 情報量 (𝑥2) 情報量𝑥1 損失している 情報量𝑥2 損失している
4.
主成分分析 4 予備知識 射影したデータのばらつきが大きいほど もとのデータの情報を多く含んでいる 個体差がでやすい 個 体 差 が で に く い
5.
主成分分析 5 2次元データが存在すると仮定して説明していきます。
6.
-2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -3 -2 -1
0 1 2 3 y x 主成分分析 6 𝑿 = 𝑥11 𝑥12 𝑥21 𝑥31 𝑥41 𝑥22 𝑥32 𝑥42 = 2 2 1 −1 −2 −1 1 −2 のプロットがある場合 2つの記述子 x1, x2 の線形結合を t とすると 𝑡 = 𝑥1 𝑝1 + 𝑥2 𝑝2 となる。 規格化条件 (𝑝1 2 + 𝑝2 2 = 1)
7.
主成分分析 7 𝑿 = 𝑥11
𝑥12 𝑥21 𝑥31 𝑥41 𝑥22 𝑥32 𝑥42 = 2 2 1 −1 −2 −1 1 −2 のプロットがある場合 2つの記述子 x1, x2 の線形結合を t とすると 𝑡 = 𝑥1 𝑝1 + 𝑥2 𝑝2 となる。 規格化条件 (𝑝1 2 + 𝑝2 2 = 1) つまりt1軸はこのように引ける -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -3 -2 -1 0 1 2 3 y x
8.
主成分分析 8 𝑿 = 𝑥11
𝑥12 𝑥21 𝑥31 𝑥41 𝑥22 𝑥32 𝑥42 = 2 2 1 −1 −2 −1 1 −2 のプロットがある場合 2つの記述子 x1, x2 の線形結合を t とすると 𝑡 = 𝑥1 𝑝1 + 𝑥2 𝑝2 となる。 規格化条件 (𝑝1 2 + 𝑝2 2 = 1) またt2軸はt1軸に直交していなければならない -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -3 -2 -1 0 1 2 3 y x
9.
主成分分析 9 t 軸に各プロットを射影させたときの
t 軸上の座標をスコアという 𝑿 = 𝑥11 𝑥12 𝑥21 𝑥31 𝑥41 𝑥22 𝑥32 𝑥42 t軸 𝑡11 𝑡12 𝑡21 𝑡31 𝑡41 𝑡22 𝑡32 𝑡42 第1主成分軸 第2主成分軸 問題は どこにt軸を引くのか… -2.5 -2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 -3 -2 -1 0 1 2 3 y x スコア
10.
主成分分析 10 予備知識で述べたように、射影した際に分散が大きいほど情報が多いことがわかっている 線形結合 t
の分散が最も大きくなればいよい 𝑡 = 𝑥1 𝑝1 + 𝑥2 𝑝2 元のデータは以下の式で表せることもわかっている つまり!
11.
主成分分析 11 平均 𝑥1 = 1 𝑛 𝑖=1 𝑛 𝑥1𝑖
、𝑥2 = 1 𝑛 𝑖=1 𝑛 𝑥2𝑖 分散 𝑠11 = 1 𝑛 𝑖=1 𝑛 (𝑥1𝑖 − 𝑥1)2 、𝑠22 = 1 𝑛 𝑖=1 𝑛 (𝑥2𝑖 − 𝑥2)2 共分散 𝑠12 = 𝑠21 = 1 𝑛 𝑖=1 𝑛 (𝑥1𝑖 − 𝑥1)(𝑥2𝑖 − 𝑥2) 使用する数式は以下の通りです(n個のデータ数)
12.
主成分分析 12 第1主成分𝑡1 における分散V
は 𝑉 = 1 𝑛 𝑖=1 𝑛 (𝑡1𝑖 − 𝑡1)2 = 1 𝑛 𝑖=1 𝑛 { 𝑥1𝑖 𝑝1 + 𝑥2𝑖 𝑝2 − 𝑥1 𝑝1 + 𝑥2 𝑝2 }2 = 1 𝑛 𝑖=1 𝑛 {𝑎1 2(𝑥1𝑖 − 𝑥1)2 + 2𝑎1 𝑎2 𝑥1𝑖 − 𝑥1 𝑥2𝑖 − 𝑥2 + 𝑎2 2(𝑥2𝑖 − 𝑥2)2} = 𝑎1 2 𝑠11 + 2𝑎1 𝑎2 𝑠12 + 𝑎2 2 𝑠22 よって、この V を最大にする𝑝1, 𝑝2を求める
13.
主成分分析 13 ここで、 𝑝1 2 + 𝑝2 2 =
1 とし、Lagrangeの未定常数法によって解くと 𝐹 𝑝1, 𝑝2, 𝜆 = 𝑝1 2 𝑠11 + 2𝑝1 𝑝2 𝑠12 + 𝑝2 2 𝑠22 − 𝜆(𝑝1 2 + 𝑝2 2 − 1) を最大化する制約条件なしの最大化問題に帰着する 𝐹 を 𝑝1, 𝑝2, 𝜆 でそれぞれ偏微分し 𝜕𝐹 𝜕𝑝1 = 2𝑝1 𝑠11 + 2𝑝2 𝑠12 − 2𝑝1 𝜆 = 0 𝜕𝐹 𝜕𝑝2 = 2𝑝2 𝑠22 + 2𝑝1 𝑠12 − 2𝑝2 𝜆 = 0 𝜕𝐹 𝜕𝜆 = −𝜆 𝑝1 2 + 𝑝2 2 − 1 = 0 𝑠11 𝑠12 𝑠12 𝑠22 𝑝1 𝑝2 = 𝜆( 𝑝1 𝑝2 ) 固有値問題 が導かれる
14.
主成分分析 14 固有値問題とは、固有値と固有ベクトルを得る問題のこと 行列A の固有方程式 det
𝐴 − 𝜆𝐸 = 0 を未知数λ の方程式として解いて、 固有値λ を得る 各々の固有値を連立方程式 𝐴 − 𝜆𝐸 𝑥 = 0 に代入して、対応する固有値ベクトル 𝑥 を求める ちなみに
15.
主成分分析 15 固有値を得るには 𝑠11 −
𝜆1 𝑠12 𝑠13 𝑠14 𝑠21 𝑠31 𝑠41 𝑠22 − 𝜆2 𝑠32 𝑠42 𝑠23 𝑠33 − 𝜆3 𝑠43 𝑠24 𝑠34 𝑠44 − 𝜆4 = 0 固有ベクトルは 𝑠11 − 𝜆1 𝑠12 𝑠13 𝑠14 𝑠21 𝑠31 𝑠41 𝑠22 − 𝜆2 𝑠32 𝑠42 𝑠23 𝑠33 − 𝜆3 𝑠43 𝑠24 𝑠34 𝑠44 − 𝜆4 ( 𝑥1 𝑥2 𝑥3 𝑥4 ) = 0
16.
主成分分析 16 toy dataで実験 右図のようなプロットがあった場合
17.
主成分分析 17 toy dataで実験 右図のようなプロットがあった場合 赤線みたいな軸が引けて
18.
主成分分析 18 toy dataで実験 右図のようなプロットがあった場合 赤線みたいな軸が引けて 最終的には赤軸がx,
y軸みたいになればいい
19.
主成分分析 19 toy dataで実験 主成分分析を行ったところ 予想通りの軸が出来ましたね
Download now