英文字典中文字典


英文字典中文字典51ZiDian.com



中文字典辞典   英文字典 a   b   c   d   e   f   g   h   i   j   k   l   m   n   o   p   q   r   s   t   u   v   w   x   y   z       







请输入英文单字，中文词皆可：


请选择你想看的字典辞典：
单词字典翻译
Prisoned查看　Prisoned　在百度字典中的解释百度英翻中〔查看〕
Prisoned查看　Prisoned　在Google字典中的解释Google英翻中〔查看〕
Prisoned查看　Prisoned　在Yahoo字典中的解释Yahoo英翻中〔查看〕

安装中文字典英文字典查询工具!


中文字典英文字典工具:
选择颜色:
输入中英文单字

































































英文字典中文字典相关资料:


  • 主成分分析（PCA）原理详解 - 知乎
    PCA (Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。 PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。 其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1,2个轴正交的平面中方差最大的。 依次类推，可以得到n个这样的坐标轴。
  • 什么是主成分分析（PCA）——从零开始讲清楚（超详细版）
    主成分分析（PCA） 是一种无监督学习方法，旨在通过线性变换将原始的高维数据映射到一个低维空间，同时尽可能保留数据的 方差 （即信息量）。 简单来说，PCA 的目标是找到一组新的坐标轴（称为 主成分），这些坐标轴能够捕捉数据中最大的变异性，并用更少的维度来近似表示原始数据。 关键名词： 维度：就是数据的“特征数量”。 比如，房子的面积、房间数是 2 个维度，加个价格就变成 3 维。 降维：把维度变少。 比如，原来有 10 个特征，降维后只剩 2 个。 主成分：PCA 找到的“新坐标轴”。 这些新坐标轴是原来特征的某种组合，能抓住数据里最大的变化。 比如：如果数据是一堆散乱的点，主成分就像是你找到的最粗的那根“趋势线”，能概括大部分点的走向。 方差：数据的“散乱程度”。
  • 主成分分析 - 维基百科，自由的百科全书
    在 多變量分析 中， 主成分分析 （英語： Principal components analysis，縮寫： PCA）是一種 統計 分析、簡化數據集的方法。 它利用 正交变换 来对一系列可能相关的变量的观测值进行线性变换，从而投影为一系列线性不相关变量的值，这些不相关变量称为主成分
  • 【机器学习】主成分分析 （PCA） - 详解 - ljbguanli - 博客园
    一、基本概念 主成分分析（PCA）是一种经典的 降维技术，广泛应用于机器学习和数据分析中。 其核心目标是通过线性变换将高维数据投影到低维空间，同时尽可能保留信息的 方差 （即信息量）。
  • 8 主成分分析 | 多元统计分析讲义
    主成分分析 (Principal Component Analysis, PCA)由Hotelling于1933年首先提出。 目的是把多个变量压缩为少数几个综合指标（称为主成分）， 使得综合指标能够包含原来的多个变量的主要的信息。 如何度量变量中包含的信息？ 如果变量取常数，就没有信息。 变量变化范围越大，越不容易预知其取值， 得到变量的观测值时获得的信息量就大。
  • 主成分分析 (PCA) - 主成分分析 (PCA)原理及使用详解 . . .
    主成分分析法（Principal Component Analysis）是一种基于变量协方差矩阵对数据进行压缩降维、去噪的有效方法，它借助正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分（PC），主成分是旧特征的线性组合。 PCA的本质就是找一些投影方向，使得数据在这些投影方向上的方差最大，而且这些投影方向是相互正交的。 这其实就是找新的正交基的过程，计算原始数据在这些正交基上投影的方差，方差越大，就说明在对应正交基上包含了更多的信息量。 如下图，第一个 PC 为 c1 所在的轴，第二个PC 为 c2 所在的轴，第三个 PC 为与平面正交的轴。 我们仅保留一定数量的主成分来解释原始数据集的方差，而忽略其余部分。
  • 深入浅出主成分分析（PCA）：从原理到推导的完全指南
    主成分分析（Principal Component Analysis, PCA）正是解决这一问题的经典利器。 本文将带您从PCA的直观概念出发，一步步深入其数学核心，完整推导出如何通过最小化重建误差来找到最佳的降维投影方向，最终揭示其与协方差矩阵特征分解之间的深刻联系。
  • PCA结果怎么看？贡献率、载荷和样本分布别只看图好不好看 . . .
    01 先看贡献率，不要一上来就看分组 PCA里最先要看的，一般是前两个主成分的解释比例。很多同学看到Dim1和Dim2上有百分比，就知道这是“贡献率”，但不知道该怎么用。说得直接一点，这个数字越高，说明前两个维度越能代表原始数据的主要变化；如果这个比例太低，即使图上样本分得开，也只能
  • 小白入门-PCA主成分分析是什么 (原理、公式与代码)-老饼讲解
    PCA主成分分析常用于降维与变量分析，是一个基本、知名度极高和常用的方法，本文介绍PCA的原理和本质，以及相关使用场景的用法，并通过实例讲解如何使用PCA，通过本文可以快速了解PCA主成分分析是什么，如何使用PCA进行变量分析以及使用PCA对变量降维
  • 主成分分析 (PCA)基本原理及分析实例 | Public Library of . . .
    主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分。 例如，使用PCA可将30个相关（很可能冗余）的环境变量转化为5个无关的成分变量，并且尽可能地保留原始数据集的信息。





中文字典-英文字典  2005-2009