As traduções são geradas por tradução automática. Em caso de conflito entre o conteúdo da tradução e da versão original em inglês, a versão em inglês prevalecerá.

Algoritmo de análise de componentes principais (PCA)

PCAé um algoritmo de aprendizado de máquina não supervisionado que tenta reduzir a dimensionalidade (número de recursos) em um conjunto de dados e, ao mesmo tempo, reter o máximo de informações possível. Para isso, ele encontra um novo conjunto de recursos chamados componentes, que são composições de recursos originais não correlacionados entre si. Eles também são limitados para que o primeiro componente represente a maior variabilidade possível nos dados, o segundo componente, a segunda maior variabilidade, e assim por diante.

Na Amazon SageMaker, PCA opera em dois modos, dependendo do cenário:

PCAusa dados tabulares.

As linhas representam as observações que você deseja incorporar em um menor espaço dimensional. As colunas representam os recursos para os quais você deseja encontrar uma aproximação reduzida. O algoritmo calcula a matriz de covariância (ou uma aproximação, de maneira distribuída) e, em seguida, executa a decomposição de valor singular no resumo em questão para produzir os principais componentes.

Interface de entrada/saída para o algoritmo PCA

Para treinamento, PCA espera dados fornecidos no canal do trem e, opcionalmente, suporta um conjunto de dados passado para o conjunto de dados de teste, que é pontuado pelo algoritmo final. Ambos os formatos recordIO-wrapped-protobuf e CSV têm suporte para treinamento. É possível usar o modo de Arquivo ou de Pipe para treinar modelos em dados formatados como recordIO-wrapped-protobuf ou CSV.

Para inferência text/csvapplication/json, PCA suportes e. application/x-recordio-protobuf Os resultados são retornados no formato application/json ou application/x-recordio-protobuf com um vetor de "projeções".

Para obter mais informações sobre formatos de arquivo de entrada e saída, consulte PCAFormatos de resposta para inferência e os Amostra de blocos de anotações do PCA.

EC2Recomendação de instância para o PCA algoritmo

PCAsuportes CPU e GPU instâncias para treinamento e inferência. O tipo de instância mais eficiente dependerá muito das especificidades dos dados de entrada. Por GPU exemplo, PCA suporta P2, P3, G4dn e G5.

Amostra de blocos de anotações do PCA

Para obter um exemplo de caderno que mostra como usar o algoritmo de Análise de Componentes SageMaker Principais para analisar as imagens de dígitos manuscritos de zero a nove no MNIST conjunto de dados, consulte Uma introdução ao com. PCA MNIST Para obter instruções sobre como criar e acessar instâncias do notebook Jupyter que você pode usar para executar o exemplo SageMaker, consulte. Instâncias do Amazon SageMaker Notebook Depois de criar uma instância do notebook e abri-la, selecione a guia SageMaker Exemplos para ver uma lista de todas as SageMaker amostras. Os blocos de notas de exemplo de modelagem de tópicos usando os NTM algoritmos estão localizados na seção Introdução aos algoritmos da Amazon. Para abrir um bloco de anotações, clique em sua guia Uso e selecione Criar cópia.