推 zel:您好，跟據小弟大學時修課所學的印像，PCA是可以在我所記錄的 12/28 23:30
→ zel:資料陣列中，找尋各維度間彼此獨立(理論上)的降維資料陣列。也 12/28 23:30
→ zel:因此可以將它當成你的濃縮特徵來使用，將經過PCA後的訓練資料 12/28 23:30
→ zel:與待測資料比對(例如比較MSE值)，借此判斷相似度或是分類判別 12/28 23:30
→ zel:。使用前要注意資料是否先經過正規化，還有加入PCA的資料樣本 12/28 23:30
→ zel:是否真的需要。 12/28 23:30
推 zel:各分群的PCA資料有時還可以配合機器學習的方法使用，但小弟不 12/28 23:37
→ zel:才只懂皮毛，相關方法還有勞前輩們賜教。 12/28 23:37
→ adu:好有禮貌到看不太懂...(我的問題) 12/29 08:16
推 zel:囧> 是我描述的不好，簡單來說就是把PCA的結果跟想要比對的資 12/29 10:32
→ zel:料求MSE後比大小... 12/29 10:32
→ GodButterfly:建議原PO提一下打算將 PCA 應用在哪個問題上 12/29 12:11
→ GodButterfly:這樣才比較有辦法用不抽象且具體的方式來回答 12/29 12:11
→ jahomekuo:感謝兩位先進 我只是讀老闆交給我的作業 01/01 19:02
→ jahomekuo:我想請教的是PCA 解出的Eigenvectors有何意義 如何應用 01/01 19:03
→ jahomekuo:我看的結果好像是Eigenvectors是新的方程式的係數 01/01 19:03
→ jahomekuo:不知對否 01/01 19:03