Redukcija dimenzionalnosti velikih skupova podataka koristeći svojstvene vektore (CROSBI ID 434189)
Ocjenski rad | sveučilišni preddiplomski završni rad
Podaci o odgovornosti
Šimić, Lucija Josipa
Vladimir, Klemo
hrvatski
Redukcija dimenzionalnosti velikih skupova podataka koristeći svojstvene vektore
U ovom radu opisuju se glavne značajke redukcije dimenzionalnosti. Objašnjeni su svojstveni vektori i svojstvene vrijednosti i dva načina njihovog računanja. Razmatra se analiza glavnih komponenti, metoda redukcije dimenzionalnosti koja koristi svojstvene vektore za pronalaženje glavnih komponenti. Metoda je implementirana u programskom jeziku Python, prvo na jednostavnom skupu podataka, a zatim pomoću biblioteke Scikit-Learn na skupu podataka Iris. Na kraju su opisane neke moguće primjene analize glavnih podataka.
analiza glavnih komponenata ; PCA ; svojstveni vektori ; svojstvene vrijednosti ; redukcija dimenzionalnosti
nije evidentirano
engleski
Dimensionality Reduction of Massive Datasets Using Eigenvectors
nije evidentirano
principal component analysis ; PCA ; eigenvectors ; eigenvalues ; dimensionality reduction
nije evidentirano
Podaci o izdanju
23
30.06.2020.
obranjeno
Podaci o ustanovi koja je dodijelila akademski stupanj
Fakultet elektrotehnike i računarstva
Zagreb