Compartir a través de


PrincipalComponentAnalyzer Clase

Definición

PCA es una transformación de reducción de dimensionalidad que calcula la proyección del vector de características en un subespacio de rango bajo.

public sealed class PrincipalComponentAnalyzer : Microsoft.ML.IEstimator<Microsoft.ML.Transforms.PrincipalComponentAnalysisTransformer>
type PrincipalComponentAnalyzer = class
    interface IEstimator<PrincipalComponentAnalysisTransformer>
Public NotInheritable Class PrincipalComponentAnalyzer
Implements IEstimator(Of PrincipalComponentAnalysisTransformer)
Herencia
PrincipalComponentAnalyzer
Implementaciones

Comentarios

El análisis de componentes principal (PCA) es un algoritmo de reducción de dimensionalidad que calcula la proyección del vector de características en un subespacio de rango bajo. Su entrenamiento se realiza mediante la técnica descrita en el documento: Combinación de la aleatoriedad estructurada y no estructurada en PCA a gran escala, y el documento Buscar estructura con aleatoriedad: algoritmos probabilísticos para construir descomposición de matriz aproximada

Para obtener más información, vea también:

Métodos

Fit(IDataView)

Entrena y devuelve un PrincipalComponentAnalysisTransformerobjeto .

GetOutputSchema(SchemaShape)

Devuelve el SchemaShape del esquema que generará el transformador. Se usa para la propagación y comprobación del esquema en una canalización.

Métodos de extensión

AppendCacheCheckpoint<TTrans>(IEstimator<TTrans>, IHostEnvironment)

Anexe un "punto de control de almacenamiento en caché" a la cadena del estimador. Esto garantizará que los estimadores de bajada se entrenarán con datos almacenados en caché. Resulta útil tener un punto de control de almacenamiento en caché antes de que los instructores tomen varios pases de datos.

WithOnFitDelegate<TTransformer>(IEstimator<TTransformer>, Action<TTransformer>)

Dado un estimador, devuelva un objeto de ajuste que llamará a un delegado una vez Fit(IDataView) . A menudo, es importante que un estimador devuelva información sobre lo que cabe, por lo que el Fit(IDataView) método devuelve un objeto con tipo específico, en lugar de simplemente un general ITransformer. Sin embargo, al mismo tiempo, IEstimator<TTransformer> a menudo se forman en canalizaciones con muchos objetos, por lo que es posible que tengamos que crear una cadena de estimadores a través EstimatorChain<TLastTransformer> de donde el estimador para el que queremos obtener el transformador se enterró en algún lugar de esta cadena. En ese escenario, podemos a través de este método adjuntar un delegado al que se llamará una vez que se llame a fit.

Se aplica a