Basics Of Principal Component Analysis Part-1 Explained in Hindi ll Machine Learning Course

00:09:06
https://www.youtube.com/watch?v=83x5X66uWK0

Resumo

TLDRThis video explains the concept of Principal Component Analysis (PCA) in a simple manner. The presenter aims to make a complex topic more accessible by explaining why and how PCA is used. The main motivation for PCA is to address the problem of overfitting in data models. In overfitting, the model gets confused with too many features, leading to complex and unreliable outputs. PCA reduces the dimensionality of the data, which simplifies the model and helps overcome overfitting. The presenter uses examples to show how PCA transforms high-dimensional data into lower dimensions, leading to a more focused and effective model. Additionally, PCA requires finding principal components which are independent and orthogonal. The presenter encourages viewers to understand prerequisites like mean, variance, eigenvalues, and eigenvectors to further grasp PCA in subsequent videos.

Conclusões

  • 📉 PCA reduces the dimensions of data to address overfitting.
  • ⚙️ Overfitting occurs with too many features during model training.
  • 🔍 PCA transforms high-dimensional data into lower dimensions.
  • 🧩 Principal Components must be orthogonal and independent.
  • 💡 PC1 holds the most importance among principal components.
  • ✏️ PCA requires understanding of mean, variance, eigenvalues, and eigenvectors.
  • 🔁 Principal Components Analysis enhances model efficiency.
  • 🔗 PCA aids in simplifying complex data models.
  • 📊 Using PCA can prevent models from capturing noise as data.
  • 🔍 Future videos will explore PCA with numerical examples.

Linha do tempo

  • 00:00:00 - 00:09:06

    The video introduces the concept of Principal Component Analysis (PCA), aiming to simplify its understanding. It highlights that PCA is essential due to the problem of overfitting, which occurs when a model is trained with too many features, causing confusion. The speaker plans to discuss the basic concepts, need, and function of PCA, emphasizing focus and understanding. The issue of overfitting must be reduced, and PCA helps by converting high-dimensional data into low-dimensional data to address overfitting. PCA identifies principal components to simplify data without losing much information.

Mapa mental

Mind Map

Vídeo de perguntas e respostas

  • What is Principal Component Analysis (PCA)?

    PCA is a technique used to reduce dimensionality and tackle overfitting in data modeling.

  • Why is PCA necessary?

    PCA is used because models can experience overfitting with too many features, and PCA helps reduce this issue.

  • What problem does PCA solve?

    PCA aims to solve the problem of overfitting in models by reducing the complexity.

  • How does PCA work in simple terms?

    PCA transforms high-dimensional data into a simpler, lower-dimensional form to avoid overfitting.

  • What are Principal Components?

    Principal Components are the reduced dimensions or features derived from the original data during PCA.

  • How does overfitting occur?

    Overfitting occurs when a model tries to adjust to every data point with too many features during training.

  • How does PCA help in reducing overfitting?

    By reducing the dimensions (features) through PCA, the model becomes less complex, reducing overfitting.

  • Can Principal Components intersect?

    Principal Components must be independent and orthogonal to each other.

  • Why is PC1 more important than other components?

    PC1 holds the most significance and should be prioritized when analyzing the data.

Ver mais resumos de vídeos

Obtenha acesso instantâneo a resumos gratuitos de vídeos do YouTube com tecnologia de IA!
Legendas
hi
Rolagem automática:
  • 00:00:00
    हेलो एंड वेलकम दोस्तों टू फाम एंड
  • 00:00:01
    इंजीनियरिंग आज का वीडि वाकई बड़ा कमाल का
  • 00:00:03
    होने वाला है पीसीए इस टेक्निक के बारे
  • 00:00:06
    में हम लोग जानने वाले हैं मानता हूं
  • 00:00:07
    थोड़ा डिफिकल्टी लेवल हाई है लेकिन आप भी
  • 00:00:09
    ये जानते हो कि भैया मैं इसको आसान करके
  • 00:00:11
    आप तक पहुंचाने वाला हूं टॉपिक का नाम
  • 00:00:13
    प्रिंसिपल कंपोनेंट एनालिसिस इसके जितने
  • 00:00:16
    भी रिलेटेड बेसिक पॉइंट्स है इसके जितने
  • 00:00:18
    भी रिलेटेड टेक्निकल टर्म्स हैं वो आपको
  • 00:00:20
    सारे के सारे यहां जानने को मिलने वाले
  • 00:00:23
    हैं इस वीडियो में जो भी बेसिक कांसेप्ट
  • 00:00:25
    है इसके पीछ छुपा हुआ कि भाई पीसीए की
  • 00:00:27
    जरूरत क्या है पीसीए काम क्या करता है
  • 00:00:30
    सारी चीजें जो है ईच एंड एवरी टर्मिनोलॉजी
  • 00:00:32
    रिलेटेड विद दिस कांसेप्ट इज गोइंग टू बी
  • 00:00:33
    गेटिंग डिस्कस इन दिस वीडियो ठीक है आपको
  • 00:00:36
    सिर्फ करना क्या है सिर्फ अपने कुछ चन द
  • 00:00:38
    मिनट अपना फोकस इस बोर्ड पे और मेरे बातों
  • 00:00:40
    पे देते रहना है समझते रहना है और काफी
  • 00:00:42
    आसान अगले कुछ मिनट होने वाले हैं फॉर
  • 00:00:44
    अंडरस्टैंडिंग द भैया पीसीई प्रिंसिपल
  • 00:00:47
    कंपोनेंट एनालिसिस तो इसकी जरूरत क्यों
  • 00:00:49
    पड़ी हम व्हाट वाज द नीड ऑफ दिस इससे पहले
  • 00:00:51
    काम नहीं चल रहा था क्या तो ऐसी कौन सी
  • 00:00:53
    प्रॉब्लम आ पड़ी भाई कि इसकी जरूरत पड़ी
  • 00:00:55
    तो प्रॉब्लम का नाम है ओवरफिटिंग बराबर तो
  • 00:00:57
    प्रॉब्लम क्या हो रहा था ओवरफिटिंग में कि
  • 00:00:59
    भई या बहुत ज्यादा एट्रिक्स बहुत ज्यादा
  • 00:01:02
    फीचर्स बहुत ही ज्यादा एट्रियो बहुत ही
  • 00:01:04
    ज्यादा फीचर हमने दे दिए थे ड्यूरिंग द
  • 00:01:06
    ट्रेनिंग फेज कि जो मॉडल जनरेट हुआ है वो
  • 00:01:08
    कंफ्यूज हुआ रखा है अब ये सारी जो चीजें
  • 00:01:10
    ओवरफिटिंग की मैंने पिछले वीडियो में बता
  • 00:01:12
    दी है जहां पे ओवरफिटिंग अंडरफिटिंग क्या
  • 00:01:14
    होता है वो मैंने प्रॉपर एग्जांपल के साथ
  • 00:01:16
    डिस्कस किया था नहीं देखा होगा तो पहले वो
  • 00:01:17
    देख लीजिए फिर यहां पे आइए बहुत बढ़िया
  • 00:01:19
    तरीके से समझ में आ जाएगा तो ये जो
  • 00:01:21
    प्रॉब्लम है भाई ओवर फिटिंग की इसको किसी
  • 00:01:23
    ना किसी तरीके से निस्त नाबूत करना है
  • 00:01:26
    इसको किसी ना किसी तरीके से रिड्यूस करना
  • 00:01:27
    है तो फिर भैया कौन उठेगा इसके लिए इसको
  • 00:01:30
    करने के लिए कौन उठेगा तो एक बंदा उठ के
  • 00:01:32
    खड़ा हुआ बोला मेरा नाम पीसीए है
  • 00:01:34
    प्रिंसिपल कंपोनेंट एनालिसिस ये सिंपली
  • 00:01:36
    करता क्या है व्हाट इट डू इट ट्राई टू
  • 00:01:38
    रिड्यूस अप द ओवरफिटिंग प्रॉब्लम बराबर अब
  • 00:01:41
    इसको अगर आसान भाषा में बोलू ओवरफिटिंग
  • 00:01:43
    प्रॉब्लम मतलब क्या जैसे कि इस केस में
  • 00:01:44
    क्या हो रहा है ये जो आपकी मॉडल है इस
  • 00:01:46
    लाइन को आप क्या बोल सकते हो एक मॉडल एक
  • 00:01:49
    फंक्शन एक हाइपोथेसिस जो कि जनरेट हुआ है
  • 00:01:51
    आफ्टर द ट्रेनिंग फेज बराबर ऑन द
  • 00:01:53
    पर्टिकुलर मॉडल तो अभी ये जो मॉडल है दिस
  • 00:01:56
    मॉडल इज एक्चुअली ट्राइम टू यू नो ट्राइट
  • 00:01:59
    रीच टू एवरी पॉइंट बराबर हर पॉइंट को रीच
  • 00:02:02
    करने की कोशिश कर रहा है हर पॉइंट को के
  • 00:02:04
    ऊपर ओवरलैप करने की कोशिश कर रहा है बराबर
  • 00:02:06
    जैसे कि ये मतलब हर पॉइंट के बहुत ही
  • 00:02:09
    आसपास से वो लाइन गुजर रही है हम
  • 00:02:12
    दैट्ची में क्या होता है जो लाइन चलती है
  • 00:02:15
    वो अपनी धुन में चलती है वो बाकी जो
  • 00:02:17
    पॉइंट्स है उनसे बहुत ही दूर रहती है इट
  • 00:02:19
    इज नॉट ट्राइम टू टच ईच एंड एवरी पॉइंट
  • 00:02:21
    यहां पे ओवरफिटिंग में द लाइन और द मॉडल
  • 00:02:24
    इज ट्राइम टू टच एन ईच एंड एवरी पॉइंट ऑन
  • 00:02:26
    द एक्सवा प्लॉट बराबर तो इसे हमें रिड्यूस
  • 00:02:29
    करना है तो क्या करना पड़ेगा भाई व्हाट वी
  • 00:02:31
    हैव टू रिड्यूस तो हम लोग यहां पे पीसीए
  • 00:02:32
    क्यों लेते हैं बिकॉज़ इट इज एक्चुअली
  • 00:02:34
    ट्राइम टू कन्वर्ट द हाई डायमेंशन टी इनटू
  • 00:02:37
    द सेट ऑफ लो डायमेंशन टी तो एक तरीके से
  • 00:02:39
    डायमेंशन को एट्रियो को यू नो फीचर्स को
  • 00:02:42
    किसी तरीके से यू नो रिड्यूस अप करना ओके
  • 00:02:45
    ताकि आप ओवरफिटिंग के प्रॉब्लम से निकल
  • 00:02:47
    सको ह दैट इज व्हाट द मेन मोटिव ऑफ द
  • 00:02:50
    प्रिंसिपल कंपोनेंट एनालिसिस इज अब ये
  • 00:02:53
    कैसे होता है हाउ इट इज डन तो ये तो आपको
  • 00:02:55
    पता चल गया कि भैया यहां पे ओवरफिटिंग का
  • 00:02:57
    प्रॉब्लम होआ रखा है ठीक है ये मेरा एक
  • 00:02:59
    पहला एटिबल है ये दूसरा एटिबल है ठीक है
  • 00:03:02
    और आपका जो डाटा था वो कुछ इस तरीके से था
  • 00:03:05
    ये पहला एटिबल है दूसरा एटिबल बराबर इस
  • 00:03:07
    डाटा के बेसिस के ऊपर आपने एक मॉडल तैयार
  • 00:03:10
    किया और उस मॉडल को हमने यहां पे मैप अप
  • 00:03:11
    किया इसमें और हमें पता चल रहा है कि भैया
  • 00:03:13
    यहां पे ओवरफिटिंग हो रखा है तो इसको कैसे
  • 00:03:15
    सॉल्व किया जाए तो अभी इस चीज के लिए हमें
  • 00:03:18
    प्रिंसिपल कंपोनेंट्स फाइंड करने पड़ेंगे
  • 00:03:20
    क्या फाइंड करना पड़ेगा पीसी नॉट प्रियंका
  • 00:03:23
    चोपड़ा पीसी यानी कि प्रिंसिपल कंपोनेंट्स
  • 00:03:25
    वी हैव टू फाइंड द प्रिंसिपल कंपोनेंट्स
  • 00:03:27
    अब कैसे फाइंड किया जाए वो भी एक तरी का
  • 00:03:30
    है उसको भी एक नई टर्म है बोलते हैं व्यूज
  • 00:03:33
    अलग तरीके से अपने डाटा को देखना अलग
  • 00:03:35
    तरीके से मॉडल को एनालाइज करना सम डिफरेंट
  • 00:03:38
    व्यू वी हैव टू अप्लाई ठीक है तो वो व्यू
  • 00:03:40
    कैसे हो सकते हैं कितने हो सकते हैं किस
  • 00:03:42
    तरीके से व्यू को अप्लाई किया जा सकता है
  • 00:03:43
    फॉर एग्जांपल मैं इसी मॉडल को अगर मैं इस
  • 00:03:46
    व्यू से देखूं तो इसी मॉडल को इसी डाटा को
  • 00:03:49
    इसी डेटा पॉइंट्स को इसी ग्राफ को अगर मैं
  • 00:03:51
    इस पॉइंट ऑफ व्यू से देखता हूं यहां से
  • 00:03:53
    अगर मैं देखने की कोशिश करूं तो मुझे क्या
  • 00:03:55
    दिखेगा सिंपली एक लाइन दिखेगी जिसके ऊपर
  • 00:03:58
    कुछ पॉइंट्स मैप्ड अप होंगे बराबर इस
  • 00:04:00
    तरीके से कुछ पॉइंट्स जो है उस लाइन के
  • 00:04:02
    ऊपर मैप्ड अप होंगे तो यहां क्या होगा ये
  • 00:04:04
    जो पॉइंट्स है वो यहां पे इस लाइन के ऊपर
  • 00:04:05
    मैप हो जाएंगे व्हेन आई एम ट्राइट सी इट
  • 00:04:07
    फ्रॉम दिस डायरेक्शन और वो पॉइंट्स हमें
  • 00:04:09
    इस लाइन के ऊपर मैप्ड अप इस तरीके से कुछ
  • 00:04:11
    दिख जाएंगे ठीक है तो अभी हुआ क्या है जरा
  • 00:04:14
    गौर से यहां पे देखना ओवर फिटिंग क्यों हो
  • 00:04:16
    रहा था बिकॉज बहुत ही ज्यादा एटिबल आपने
  • 00:04:19
    दे दिए थे इन द ट्रेनिंग फेज फॉर द मॉडल
  • 00:04:22
    बिल्डिंग इस वजह से कंफ्यूजन क्रिएट हो
  • 00:04:24
    गया है तो यहां पे हमने क्या किया है
  • 00:04:26
    हमारे दो थे दो डायमेंशन थे दो आइट
  • 00:04:29
    ट्रिब्यूट्स थे दो फीचर्स थे जिसके बेसिस
  • 00:04:31
    पे हमने इस मॉडल को तैयार किया था मॉडल
  • 00:04:33
    मतलब ये लाइन मॉडल को तैयार किया था हमें
  • 00:04:36
    पता चला ओवरफिटिंग हुई तो हमने क्या किया
  • 00:04:38
    इस दो डायमेंशन से एक डायमेंशन पे आ गए दो
  • 00:04:41
    डायमेंशन से एक डायमेंशन पे आ गए समझ में
  • 00:04:44
    आया ये फंडा भी समझ में आया ये अभी पकड़
  • 00:04:46
    में आया तो दो डायमेंशन से हम लोग एक
  • 00:04:48
    डायमेंशन पे आ गए तो एक तरीके से हमने
  • 00:04:52
    कॉम्प्लेक्शन कम कर दिया दैट वाज द मोटिव
  • 00:04:54
    ऑफ दिस पीसी ठीक है तो अभी हम इसे क्या
  • 00:04:56
    बोल सकते हैं इसे बोल सकते हैं pc1 दैट इज
  • 00:05:00
    द प्रिंसिपल कंपोनेंट वन तो इस तरीके से
  • 00:05:02
    हमने क्या जनरेट किया पीसी व प्रिंसिपल
  • 00:05:04
    कंपोनेंट वन एक और पीसी वन मतलब एक और
  • 00:05:06
    पीसी मेरा जनरेट हो सकता है प्रिंसिपल
  • 00:05:08
    कंपोनेंट टू कैसे अगर मैं इस पॉइंट ऑफ
  • 00:05:10
    व्यू से देखूं तो अगर मैं यहां से देखूं
  • 00:05:12
    तो अभी तुरंत मैंने जैसे ये एरो बनाया
  • 00:05:14
    बहुत लोगों के दिमाग में जल गया होगा
  • 00:05:15
    बत्ती कि भैया कि एक पॉइंट दिखेगा सिर्फ
  • 00:05:19
    बराबर है कि नहीं अगर मैं इस डायरेक्शन से
  • 00:05:21
    देखूंगा उस मॉडल को तो मुझे सिर्फ एक
  • 00:05:23
    पॉइंट दिखेगा तो भैया आपने गलत मेंटोस खा
  • 00:05:25
    लिए आपकी दिमाग की पत्ती गलत जल गई यहां
  • 00:05:27
    पे थोड़ा और डिटेलिंग में जाना है हमें
  • 00:05:29
    यहां पे हम लोग एक इमेजिनरी लाइन ऐसे
  • 00:05:31
    कंस्ट्रक्ट कर सकते हैं ओके उसके ऊपर ये
  • 00:05:34
    जो सारे पॉइंट्स हैं ये मैप अप कर सकते
  • 00:05:35
    हैं ऑल दीज पॉइंट्स कैन बी मैप्ड ऑन दिस
  • 00:05:38
    लाइन एंड देन दिस लाइन कैन बी सीन एज दिस
  • 00:05:41
    वे कि उसके ऊपर हमने सारे पॉइंट्स मैप अप
  • 00:05:43
    किए हैं और जब हम लोग उस व्यू से उसको
  • 00:05:45
    देखते हैं तो कुछ इस तरीके से दिखता है
  • 00:05:47
    जिसे हम लोग pc2 भी कह सकते हैं समझ में
  • 00:05:50
    आया सो pc1 एंड pc2 दैट इज टू प्रिंसिपल
  • 00:05:54
    कंपोनेंट्स वीी हैव जनरेट तो इससे एक और
  • 00:05:57
    नई प्रॉपर्टी और अच्छी प्रॉपर्टी जो समझने
  • 00:05:59
    लायक है वो यहां से निकल के आती है कि
  • 00:06:02
    भैया वेरी इंपॉर्टेंट स्टेटमेंट नंबर ऑफ
  • 00:06:05
    प्रिंसिपल कंपोनेंट्स कैन बी लेस दन और
  • 00:06:07
    इक्वल टू नंबर ऑफ एटिबल
  • 00:06:09
    नंबर ऑफ प्रिंसिपल कंपोनेंट्स कैन बी लेस
  • 00:06:13
    देन र इक्वल टू द नंबर ऑफ एटिबल गिवन एज अ
  • 00:06:16
    इन अ डाटा फॉर द बिल्डिंग ऑफ मॉडल सिंपल
  • 00:06:19
    सा फंड है ठीक है अभी आप बोलोगे ठीक है
  • 00:06:21
    यार प्रिंसिपल कंपोनेंट जनरेट हो गए हम दो
  • 00:06:23
    डायमेंशन से यहां पे दिख रहा है हमें
  • 00:06:25
    सिर्फ एक ही डायमेंशन पे सारे पॉइंट्स हम
  • 00:06:27
    लोगों को दिख रहे हैं बराबर तो जब हम
  • 00:06:28
    लोगों को तीन एट्रबीक दिए हो तो हम लोग
  • 00:06:32
    तभी भी हम लोग ऐसे रिड्यूस करते हैं बराबर
  • 00:06:34
    जिसे हम लोग बोलते हैं पीसी थ हो सकता है
  • 00:06:36
    पीसी फोर हो सकता है इट डिपेंड्स अपऑन द
  • 00:06:39
    डायमेंशन कि भैया डायमेंशन कितने हैं
  • 00:06:41
    फीचर्स कितने हैं एटिबल डिपेंड करता है
  • 00:06:44
    फॉर एग्जांपल अगर मेरे बहुत सारे जनरेट हो
  • 00:06:46
    गए समझ लो पीसी 2 यू नो पीसी 3 देन पीसी फ
  • 00:06:50
    देन पीसी फ ओके इस तरीके से अगर इतने सारे
  • 00:06:53
    मेरे जनरेट हो गए समझ लो तो अभी इतने तो
  • 00:06:56
    हो गए अभी किसके ऊपर ज्यादा फोकस किया जाए
  • 00:06:59
    किसको ज्यादा इंपोर्टेंस दिया जाए कौन
  • 00:07:00
    हायर प्रायोरिटी को होल्ड करेगा तो सबसे
  • 00:07:03
    सिंपल बंदा जो है और सबसे सिंपल फंडा जो
  • 00:07:05
    है पीसी व जो रहता है किसी भी एक मॉडल का
  • 00:07:09
    पीसी वन उसे आप सबसे ज्यादा हायर
  • 00:07:11
    इंपॉर्टेंस दो उसे हायर प्रायोरिटी दो
  • 00:07:13
    उसको सबसे ज्यादा कंसीडर करो और वो
  • 00:07:15
    प्रायोरिटी फिर आप रिड्यूस करते जाओ बाय
  • 00:07:17
    गोइंग डाउन वर्ड सिंपल बराबर तो सबसे
  • 00:07:20
    ज्यादा फोकस इसके ऊपर देना है पसी व के
  • 00:07:22
    ऊपर और बाकी फिर रिड्यूस करते जाना है इस
  • 00:07:24
    तरीके से अभी एग्जांपल जो हमने लिया था
  • 00:07:26
    इसमें हमारा पीसी व जनरेट हुआ है pc2
  • 00:07:28
    जनरेट हुआ है बराबर वन एंड टू तो किस पे
  • 00:07:30
    ज्यादा हम लोग फोकस करेंगे इसके ऊपर पीसी
  • 00:07:32
    व के ऊपर देन कंपेयर्ड विद द pc2 तो ये
  • 00:07:35
    फंड है आपको समझ में आ ग एक और प्रॉपर्टी
  • 00:07:37
    आपको लास्ट प्रॉपर्टी इस वीडियो में मैं
  • 00:07:38
    आपको एक्सप्लेन करने जा रहा हूं
  • 00:07:40
    ऑर्थोगनेथिक
  • 00:07:42
    से मैं बताऊं कि pc1 एंड पीसी 2 के बीच
  • 00:07:45
    में
  • 00:07:50
    ऑर्थोनोवा
  • 00:07:53
    शुड नॉट बी डिपेंडेंट ऑन pc2 एंड pc2 शुड
  • 00:07:56
    नॉट बी डिपेंडेंट ऑन pc1 तो जो आपके
  • 00:07:58
    प्रिंसिपल कंपोनेंट्स होते हैं दे शुड बी
  • 00:08:00
    इंडिपेंडेंट ऑफ ईच अदर ओके दे शुड बी
  • 00:08:10
    [संगीत]
  • 00:08:13
    ऑर्थोगनाथाउज
  • 00:08:16
    अ सच क्यों एस्टेब्लिश करते हैं तो ये थे
  • 00:08:19
    दोस्तों सारे के सारे जो बेसिक पॉइंट जो
  • 00:08:21
    मैं आप तक पहुंचाना चाहता था इस वीडियो के
  • 00:08:23
    थ्रू फॉर द कांसेप्ट प्रिंसिपल कंपोनेंट
  • 00:08:25
    एनालिसिस आगे चलके और भी कई सारे वीडियो
  • 00:08:28
    इसी टॉपिक के ऊपर आने वाले जहां पे मैं
  • 00:08:30
    आपको न्यूमेरिकल एग्जांपल्स के साथ
  • 00:08:32
    एक्सप्लेन करने वाला हूं कि भैया स्टेप
  • 00:08:33
    बाय स्टेप कैसे पीसीए को एनालाइज किया
  • 00:08:35
    जाता है ये टेक्निक कैसे इंप्लीमेंट होती
  • 00:08:37
    है न्यूमेरिकल एग्जांपल्स के साथ सिर्फ
  • 00:08:39
    कुछ प्री रिक्विजिट है जो आपको पता होना
  • 00:08:41
    चाहिए भैया मीन क्या होता है वेरियंस क्या
  • 00:08:42
    होता है आइकन वैल्यू क्या होता है आगन
  • 00:08:44
    वेक्टर क्या होता है ये अगर आपको समझ में
  • 00:08:46
    आ गया पता चल गया दोस्तों तो फिर आगे का
  • 00:08:48
    सफर बहुत ही बहुत ही आसान है फिलहाल अगर
  • 00:08:52
    ये वीडियो आपको पसंद आ गया होगा ओके तो
  • 00:08:54
    इसे लाइक कर दीजिए और उससे भी ज्यादा
  • 00:08:56
    इंपॉर्टेंट इस वीडियो को जरूर जरूर शेयर
  • 00:08:58
    कीजिए अपने अपने सारे इंजीनियरिंग दोस्तों
  • 00:09:00
    के साथ मेरी मदद उन तक पहुंचाने में मेरी
  • 00:09:02
    मदद कीजिए उनकी मदद कीजिए थैंक्स अ लॉट
  • 00:09:04
    दोस्तों फॉर वाचिंग दिस वीडियो
Etiquetas
  • PCA
  • overfitting
  • dimensionality reduction
  • Principal Components
  • data modeling
  • eigenvalues
  • eigenvectors
  • orthogonal
  • features
  • machine learning