Как я говорил ранее, прежде чем начать построение любой модели данные следует подготовить. Один из таких этапов - это удаление лишних, избыточных данных. Но как понять какие данные лишние? Для начала разобъём наш dataset на векторы-столбцы, то есть векторы будут хранить значения всех объектов своего одного признака. Одна из таких техник - это поиск линейно зависимых признаков. Линейная зависимость является симптомом того, что один признак может быть выведен из другого признака. Например, хранение одних и тех же данных в разных размерностях...

Оба понятия активно используются в анализе избыточности матрицы и проверки на линейную зависимость векторов матрицы. Рассмотрим каким именно образом. Но прежде чем начать, напомню насколько важно подписываться на канал и всячески давать обратную связь, если вы хотите поддержать автора. Определитель матрицы Важный параметр матрицы, который мы в дальнейшем будем частенько использовать - это её определитель или по-другому детерминант. Обозначается как detA или |A|. Определяется детерминант только для квадратных матриц - матриц у которых количество строк равно количеству столбцов...