PCA(主成分分析)的理解
2018-03-14 19:52
211 查看
推导过程可以参考:
点击打开链接
有m个样本
,每个样本都是n维的列向量,对其进行PCA时,首先构造矩阵X=[
],然后求
的特征值和特征向量(其为半正定矩阵,特征值都非负数)。如果要压缩到t维(t<=n),则取前t个最大的特征值对应的特征向量作为投影方向,相当于新的坐标基。每一个样本都向这t个向量投影,得到t个投影值,从而每个向量都转换成了t维。
后续继续补充。
参考:机器学习实战
点击打开链接
有m个样本
,每个样本都是n维的列向量,对其进行PCA时,首先构造矩阵X=[
],然后求
的特征值和特征向量(其为半正定矩阵,特征值都非负数)。如果要压缩到t维(t<=n),则取前t个最大的特征值对应的特征向量作为投影方向,相当于新的坐标基。每一个样本都向这t个向量投影,得到t个投影值,从而每个向量都转换成了t维。
后续继续补充。
参考:机器学习实战
相关文章推荐
- 浅谈对主成分分析(PCA)算法的理解
- 从投影的角度理解pca:向量,投影,基,内积,坐标,维数,分散程度,方差,协方差矩阵,对角化,特征值分解,主成分分析PCA
- 主成分分析(PCA)的数学原理理解
- 对主成分分析(PCA)算法的理解2
- 彻底理解PCA(Principal Component Analysis)主成分分析
- 浅谈对主成分分析(PCA)算法的理解 + QT creator+OpenCV2.4.2+MinGW 在windows下开发环境配置
- 主成分分析(PCA)的一种直观理解
- 深度学习算法:主成分分析(PCA)算法的理解
- 浅谈对主成分分析(PCA)算法的理解
- 浅谈对主成分分析(PCA)算法的理解
- 主成分分析 PCA 理解
- 利用 主成分分析(PCA) 降维 个人理解
- PCA(主成分分析)与FA(因子分析)的直白理解
- 对KLT,主成分分析(PCA)算法的理解
- 主成分分析PCA之协方差矩阵的理解
- PCA(主成分分析)的简单理解
- 浅谈对主成分分析(PCA)算法的理解
- A tutorial on Principal Components Analysis - 主成分分析(PCA)教程
- PCA 主成分分析
- 主成分分析(PCA)