你想弄懂什么？

在这里展示的 PCA 设置中，数据矩阵 X 的组织方式是其行是数据点，其列是特征。每一行都被视为一个 D 维向量。

适用条件：行对应于数据点。；列对应于特征。；每一行位于 $\mathbb{R}^D$ 中。

在这里展示的 PCA 设置中，数据矩阵 X 的组织方式是其行是数据点，其列是特征。每一行都被视为一个 D 维向量。

适用条件：行对应于数据点。；列对应于特征。；每一行位于 $\mathbb{R}^D$ 中。

符号 $D = 2$ -> D' = 1 意味着将二维数据集降维到一维。它将 PCA 框定为一种方法，用于将数据的二维描述压缩成一维摘要，同时保留最重要的变异方向。

适用条件：显示的示例使用二维数据集。；显示的目标降维是一维。

符号 $D = 2$ -> D' = 1 意味着将二维数据集降维到一维。它将 PCA 框定为一种方法，用于将数据的二维描述压缩成一维摘要，同时保留最重要的变异方向。

适用条件：显示的示例使用二维数据集。；显示的目标降维是一维。

视频使用椭圆来解释主成分，因为它为数据云提供了一个直观的几何模型。椭圆的主轴被识别为 PCA 想要找到的方向，这些方向称为主成分。

适用条件：数据由椭圆近似。；椭圆在口头上被描述为“基本上是二维高斯分布”。

视频使用椭圆来解释主成分，因为它为数据云提供了一个直观的几何模型。椭圆的主轴被识别为 PCA 想要找到的方向，这些方向称为主成分。

适用条件：数据由椭圆近似。；椭圆在口头上被描述为“基本上是二维高斯分布”。