高维数据集是指包含大量变量的数据集，也称为 "维度诅咒"，通常给计算带来挑战。尽管大功率计算在某种程度上可以处理高维数据，但在许多应用中，仍有必要降低原始数据的...

主成分分析（Principal Component Analysis，PCA）是一种常用的降维技术，它通过线性变换将原始数据映射到一个新的坐标系中，使得数据在新...

这篇推文的目的是探索一些重要参数对后续分群UMAP可视化的影响。参数主要考虑：高变基因个数；pca维数；UMAP中的n_neighbors，min_dist和d...

这篇推文的目的是探索一些重要参数对后续分群UMAP可视化的影响。参数主要考虑：高变基因个数；pca维数；UMAP中的n_neighbors，min_dist和d...

类似于bulk RNA-seq，single-cell RNA-seq 的原始count数据也是需要进行标准化的。

锐化功能应用平移锐化算法，将一幅图像（如大地遥感卫星多波段图像）的光谱细节与另一幅图像（如大地遥感卫星全色波段）的空间细节相结合。全色锐化算法在结合空间和光谱细...

降维意味着我们在不丢失太多信息的情况下减少数据集中的特征数量，降维算法属于无监督学习的范畴，用未标记的数据训练算法。

这些技术通常不是孤立存在的，而是相互交叉和融合的，以解决更复杂的问题。在实际应用中，根据具体的问题和数据特点选择合适的模式识别技术是至关重要的。

（1）安装机器学习必要库，如NumPy、Pandas、Scikit-learn等；

https://doi.org/10.1038/s41588-023-01571-z

这个工具用于进行主成分分析（PCA, Principal Component Analysis），可生成出版级图形。

各位同学好，今天我和大家分享一下python机器学习中的特征选择和数据降维。内容有：

基于Python Outlier Detection库进行异常值处理（Kmeans对异常值敏感）。

主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维和特征提取技术，用于将高维数据转换为低维的特征空间。其目标是通...

，使得所有样本点在该方向投影的方差尽可能大，对投影后方差的表示极为协方差矩阵，运用拉格朗日乘数法得出最佳投影方向就是最大特征值对应的特征向量。

上面代码在最初应用PCA()时没有指定组件的数量，这意味着它将保留所有组件。然后使用np.cumsum(pca.explained_variance_ratio...

Admixtue说明文档中介绍：去掉LD高的SNP不会对结果有影响，因为计算不依赖于LD，会大大提升运行速度。关于Admixture，可以参考这篇博客：Admi...

很多软件可以分析PCA，这里介绍一下使用plink软件和R语言，进行PCA分析，并且使用ggplot2绘制2D和3D的PCA图。

学员提出来了一个很有意思的问题， 就是表达量矩阵质量控制环节里面的PCA分析，可以看出来不同样品在二维图里面的距离，其中PC1是可以区分两个分组，如下所示：