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
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
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）