JuniorТеорияЧасто

Что выведет эта программа?

Python

import numpy as np

X = np.array([[-2, 0], [0, 1], [2, 0], [0, -1]])
Xc = X - X.mean(axis=0)
_, s, Vt = np.linalg.svd(Xc)
print(round(s[0] ** 2 / (s ** 2).sum(), 2))

0.8

Ждать 0.67, то есть s[0] / s.sum(): дисперсия растёт как квадрат s, квадраты равны 8 и 2, и доля равна 8 / 10 = 0.8.
Ждать 0.2: svd возвращает s по убыванию, поэтому s[0] относится к компоненте с наибольшей дисперсией.

Какую долю дисперсии несёт здесь вторая компонента?
Почему данные нужно центрировать до вызова np.linalg.svd?

Назад к вопросам Открыть тему в роадмапе →Ответь сам — Quiz

Назад к вопросам

JuniorТеорияЧасто

Что выведет эта программа?

Python

import numpy as np

X = np.array([[-2, 0], [0, 1], [2, 0], [0, -1]])
Xc = X - X.mean(axis=0)
_, s, Vt = np.linalg.svd(Xc)
print(round(s[0] ** 2 / (s ** 2).sum(), 2))

0.8

Ждать 0.67, то есть s[0] / s.sum(): дисперсия растёт как квадрат s, квадраты равны 8 и 2, и доля равна 8 / 10 = 0.8.
Ждать 0.2: svd возвращает s по убыванию, поэтому s[0] относится к компоненте с наибольшей дисперсией.

Какую долю дисперсии несёт здесь вторая компонента?
Почему данные нужно центрировать до вызова np.linalg.svd?

Назад к вопросам Открыть тему в роадмапе →Ответь сам — Quiz