Howtosignalprocessing
Si vous évoluez avant PCA?
PCA est affecté par l'échelle, vous devez donc mettre à l'échelle les fonctionnalités de vos données avant d'appliquer PCA. Utilisez StandardsCaler de Scikit Apprenez pour normaliser les fonctionnalités de l'ensemble de données sur l'échelle de l'unité (moyenne = 0 et écart-type = 1), ce qui est une exigence pour les performances optimales de nombreux algorithmes d'apprentissage automatique.
Pourquoi la mise à l'échelle est-elle nécessaire pour PCA?
Lorsque vous traitez avec des données qui ont des fonctionnalités avec différentes échelles, il est souvent important de faire évoluer les données d'abord. En effet, les données qui ont des valeurs plus importantes peuvent influencer les données même avec une variabilité relativement peu. Le cadre de données combinés est chargé pour vous.
