PCA数据降维

http://blog.csdn.net/pipisorry/article/details/49235529

这个没时间写，下次有空写吧╮(╯_╰)╭

Anand.Rajaraman-Mining of Massive Datasets-mmds2014 11.2 Principal-Component Analysis

假设数据源是一系列的20幅图像，每幅图像都是 大小，那么它们都可以表示为一个 维的向量。将它们排成一个矩阵：       然后对它们进行PCA处理，找出主元。为什么这样做呢？据人脸识别的例子来说，数据源是20幅不同的人脸图像，PCA方法的实质是寻找这些图像中的相似的维度，因为人脸的结构有极大的相似性（特别是同一个人的人脸图像），则使用PCA方法就可以很容易的提取出人脸的内在结构，也及时所谓“模式”，如果有新的图像需要与原有图像比较，就可以在变换后的主元维度上进行比较，则可衡量新图与原有数据集的相似度如何。对这样的一组人脸图像进行处理，提取其中最重要的主元，即可大致描述人脸的结构信息，称作“特征脸”(EigenFace)。这就是人脸识别中的重要方法“特征脸方法”的理论根据。近些年来，基于对一般PCA方法的改进，结合ICA、kernel-PCA等方法，在主元分析中加入关于人脸图像的先验知识，则能得到更好的效果。

随机过程去相关操作

只有具有对称性的矩阵才可以进行特征分解吗？

from: http://blog.csdn.net/pipisorry/article/details/49235529

ref:数据分析领域中最为人称道的七种降维方法

Machine Learning - XIV. Dimensionality Reduction降维 (Week 8)