https://raw.githubusercontent.com/Josh-test-lab/website-assets-repository/refs/heads/main/posts/Principal%20Component%20Analysis/cover%20image.webp

主成分分析（PCA）

Josh 發佈於 2025-03-25 更新於 2025-04-23 收錄於機器學習 Python

主成分分析（Principal Component Analysis, PCA）是常見的降維（dimension reduction）方法，是將原先線性相依（linearly dependent）的資料集經由正交轉換（orthogonal transformation）後變成若干個線性獨立（linearly independent）的新變數表示的資料，使資料集經投影到新變數上損失的資訊量最小，並依新變數的變異數（variance）大小依次稱為第一主成分、第二主成分等。 PCA 常用於將高維度的資料映射到低維度空間，同時盡可能在降維過程中保留原始資料的重要特徵與訊息。

https://raw.githubusercontent.com/Josh-test-lab/website-assets-repository/refs/heads/main/posts/Understanding%20the%20Confusion%20Matrix/cover%20image.png

認識混淆矩陣

Josh 發佈於 2025-03-21 更新於 2025-04-23 收錄於機器學習 R

在機器學習中，我們能建立各式各樣的模型，從簡單的線性迴歸到複雜的神經網路模型等。這些模型可以應用於不同的領域，例如影像辨識、語言生成、金融預測等。不同的模型各有其優勢與適用場景，例如線性迴歸適合處理資料集與目標變數的擬合與分析，而深度學習則能處理複雜的非線性的資料集。然而，如何判斷一個模型的好壞呢？單純依賴準確率（Accuracy）可能不足以評估模型的表現，特別是在類別分佈不均的情境下。因此，我們使用 **混淆矩陣（Confusion Matrix）** 來分析分類模型的效能。

https://raw.githubusercontent.com/Josh-test-lab/website-assets-repository/refs/heads/main/posts/Dataset%20Exploration%20and%20Analysis/cover%20image.webp

資料集探索與分析

Hsu, Yao-Chih, Wang, Xuan-Chun, & Sin, Wen-Lee 發佈於 2025-03-18 更新於 2025-03-31 收錄於 R

封面圖片為 ChatGPT 生成的關於資料分析的圖片，提示詞為 “A modern data analysis concept illustration featuring a futuristic workspace. The image includes multiple data charts, graphs, and dashboards displayed on transparent holographic screens. A diverse team of analysts and data scientists collaborate, analyzing trends and insights on large monitors. The scene has a sleek, high-tech atmosphere with glowing blue and purple hues, reflecting a professional and cutting-edge environment.” 。

前言

本次使用的資料集為 Swiss bank notes ，是銀行間用於判斷舊瑞士法郎（Franc）的資料集。本文自 https://github.com/QuantLet/MVA/tree/master/QID-1530-MVAscabank56 中下載 bank2.dat 資料集，並使用 R 語言進行分析。