Notice
Recent Posts
Recent Comments
Link
| 일 | 월 | 화 | 수 | 목 | 금 | 토 |
|---|---|---|---|---|---|---|
| 1 | 2 | 3 | 4 | |||
| 5 | 6 | 7 | 8 | 9 | 10 | 11 |
| 12 | 13 | 14 | 15 | 16 | 17 | 18 |
| 19 | 20 | 21 | 22 | 23 | 24 | 25 |
| 26 | 27 | 28 | 29 | 30 |
Tags
- Regression
- Gbm
- Gradient boosting machine
- decision tree
- multivarite data
- 머신러닝
- Gradient Boostnig
- 트리분할
- MLE
- 알고리즘
- multivarite method
- feature extraction
- 차원축소
- ensemble
- LIKELIHOOD
- dimension reduction
- xgboost
- pca
- ML
- 앙상블
- 앙상블 학습
- 최대사후확률
- Gradient Boosting
- LDA
- ensemble learning
- Machine Learning
- classification
- 차원 축소
- Maximum A Posterior
- LGBM
Archives
- Today
- Total
목록factor analysis (1)
코딩하는 눈송이
Factor Analysis
Factor Analysis Factor Analysis란? 관측된 변수들의 변동성을 잠재적인 요인(latent factor)들로 분해하는 방법 Factor Analysis에서는 변수 간의 상관 관계를 고려하여 변수들을 설명할 수 있는 몇 개의 잠재적인 요인을 찾아 낸다. 잠재 요인(latent factor)은 변수들 간의 공통 변동을 설명하고, 데이터의 차원 축소와 변수 간의 관계를 이해하는 데에 도움을 준다. 잠재 요인을 $z_{i}$로 표현하고, 이를 통해 x를 표현한다면 식은 다음과 같다 $$ x_{i} -\mu_{i} = v_{i1}z_{1} + v_{i2}z_{2} + ... v_{ik}z_{k} + \epsilon_{i} $$ 여기서 latent factor $z_{i}$은 다음 조건을 만족..
선형대수
2023. 6. 6. 23:21