吴恩达机器学习总结：第十一 降维（PCA）（大纲摘要及课后作业）

最新推荐文章于 2024-08-11 23:49:39 发布
最新推荐文章于 2024-08-11 23:49:39 发布
阅读量3.7k 收藏 10
点赞数 2
分类专栏： 个人学习 文章标签： 机器学习 吴恩达 Octave
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/CC12222032/article/details/79852165
版权
本文总结了吴恩达机器学习课程中的PCA（主成分分析）知识点，包括降维的动机——数据压缩与可视化，PCA问题表述，算法流程，如何选择主要组件数量，PCA的应用场景以及不当使用的误区。内容涵盖了PCA在数据预处理中的作用，如特征缩放、计算协方差矩阵和特征向量，以及PCA在压缩和可视化方面的效果。还提及PCA在防止过拟合和人脸识别中的应用，并给出了课后作业，涉及实际数据集的操作。
摘要由CSDN通过智能技术生成

为了更好的学习，充分复习自己学习的知识，总结课内重要知识点，每次完成作业后都会更博。

英文非官方笔记

总结

1.动机I：数据压缩

（1）压缩

    a.加速算法

    b.减小数据空间

    c.2维降为1维例子


    d.3维降为2维例子



   

    e.在实际中，我们正常会将1000维将为100维

2.动机II:可视化

（1）很难可视化高维数据

    a.将为将会以易处理的方式来显示信息，以此提供给人进行处理

（2）我们关心降维的原因

    a.帮助理解数据，有助于开发算法

    b.降温帮助我们看到有用数据

    c.如果能在数据中展示，那么便可以很好地解释给别人

3.主成分分析（PCA）：问题表述

（1）从N维到K维

<
最低0.47元/天 解锁文章
CC12222032
关注
专栏目录
吴恩达机器学习（十四）——降维
大鹏小站的博客
02-11 610
14.1动机一：数据压缩 降维 也是一种无监督学习的方法，降维并不需要使用数据的标签。 降维 的其中一个目的是 数据压缩，数据压缩不仅能够压缩数据，使用较少的计算机内存或磁盘空间，更可以加快我们的学习算法。 降维 能很好的处理 特征冗余，例如：在做工程时，有几个不同的工程队，也许第一个工程队给你二百个特征，第二工程队给你另外三百个的特征，第三工程队给你五百个特征，一千多个特征都在一起，这些特征中往...
[吴恩达机器学习笔记]14降维3-4PCA算法原理
遗世独立的乌托邦
09-09 627
14.降维 觉得有用的话,欢迎一起讨论相互学习~Follow Me 14.3主成分分析原理Proncipal Component Analysis Problem Formulation 主成分分析（PCA）是最常见的降维算法 当主成分数量K=2时，我们的目的是找到一个低维的投影平面，当把所有的数据都投影到该低维平面上时，希望所有样本 平均投影误差 能尽可能地小。 投影平面 是一个...
吴恩达机器学习 笔记九 PCA降维
qsdzxp的博客
11-21 361
1.数据降维   数据降维的动力主要来自数据压缩和数据可视化。下图中的数据虽然是在一个三维空间里，但是用一个二维的平面基本上就是可以描述出来的，所以我们可以把数据降到二维。 2.PCA算法 第一步是均值归一化。我们需要计算出所有特征的均值，然后令 。如果特征是在不同的数量级上，我们还需要将其除以标准差 。 第二步是计算协方差矩阵（covariance matrix）： 第三步是计算...
主成分分析(PCA)
最新发布
blinkyou001的博客
08-11 4130
本文讲解了主成分分析（PCA）的基本原理，并利用python进行了实例演示。
《吴恩达机器学习》14 降维（PCA算法）
JockerWong的笔记工厂
02-22 1782
降维（PCA算法）前言一、算法应用1、数据压缩2、数据可视化二、主成分分析（PCA）1、问题2、算法三、应用建议1、选择主成分的数量2、数据压缩还原3、应用总结 前言 这一章节开始介绍第二种非监督学习的算法——降维。所谓的降维顾名思义就是将多维数据降到低维数据的算法，降维方法分为线性和非线性降维，非线性降维又分为基于核函数和基于特征值的方法。 线性降维的方法有PCA、ICA、LDA等，非线性降维方...
吴恩达机器学习（第十五章）---降维PCA
夏未眠秋风起的博客
11-01 395
一、目标 1.数据压缩 在机器学习中，会用到大量数据进行学习训练，当数据量很大，维度高时，对电脑内存的压力会很大，并且学习的速度也会很慢。 2.可视化 我们将一些高维的数据降维到1维，2维，3维的话，就可以进行可视化，将数据以图表的方式展示出来。 二、主成分分析方法 主成分分析方法（Principal Component Analysis (PCA)）是目前比较流行的进行降维的算法。 ...
吴恩达《机器学习》——第七次作业：主要成分分析(PCA)
Cherish_x的博客
05-27 651
import numpy as np import matplotlib.pyplot as plt from scipy.io import loadmat data = loadmat('data/ex7data1.mat') X = data['X'] fig, ax = plt.subplots(figsize=(12, 8)) ax.scatter(X[:, 0], X[:, 1])...
吴恩达机器学习课后作业源码及笔记_机器学习_吴恩达_
10-01
这份名为“吴恩达机器学习课后作业源码及笔记”的压缩包文件，无疑是针对他开设的机器学习课程的学习辅助资料。这份资料包括了课程中的习题解答以及相关的编程代码，对于正在学习或已经学过吴恩达机器学习课程的人来...
吴恩达机器学习总结：第十三 推荐系统（大纲摘要及课后作业）
CC12222032的博客
04-10 865
为了更好的学习，充分复习自己学习的知识，总结课内重要知识点，每次完成作业后都会更博。英文非官方笔记总结1.推荐系统-介绍（1）ML系统的重要应用    a.许多科技公司发现推荐系统很关键（亚马逊，Ebay）    b.推荐系统性能提高能带来更多收入（2）推荐系统不是一种技术，而是一种想法（3）例子—预测电影评分2.基于内容的推荐（1）问题描述（2）定义    a.电影Love at Last可表示...
吴恩达机器学习课后作业源码及笔记.rar
04-25
在本压缩包“吴恩达机器学习课后作业源码及笔记.rar”中，我们可以找到一系列与吴恩达教授的机器学习课程相关的实践材料。吴恩达是深度学习和人工智能领域的知名专家，他的课程深受全球学子欢迎，尤其适合初学者入门...
PCA主成分分析例程
12-23
PCA(principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据压缩算法。在PCA中，数据从原来的坐标系转换到新的坐标系，由数据本身决定。转换坐标系时，以方差最大的方向作为坐标轴方向，因为数据的最大方差给出了数据的最重要的信息。第一个新坐标轴选择的是原始数据中方差最大的方法，第二个新坐标轴选择的是与第一个新坐标轴正交且方差次大的方向。重复该过程，重复次数为原始数据的特征维数。
吴恩达机器学习课后作业题目和答案
06-07
机器学习课后作业文档说明和答案解析，配套2014年的视频
吴恩达机器学习 - PCA算法降维
Snow_V的博客
10-25 356
原 吴恩达机器学习 - PCA算法降维 2018年06月25日 13:08:17 离殇灬孤狼 阅读数：152更多 &amp;lt;div class=&quot;tags-box space&quot;&amp;gt; &amp;lt;span class=&quot;labe...
吴恩达Lecture13-2：PCA
qq_57496048的博客
07-09 118
吴恩达Lecture13-2：PCAPCA算法描述PCA应用：人脸降维总结 PCA算法描述 使用PCA将n维数据减少到k维。实现数据压缩或数据可视化。 PCA过程： （1）均值归一化。计算所有特征均值，令 Xj=Xj−uj.X_j = X_j - u_j.Xj​=Xj​−uj​. 若特征不在同一数量级上，需要除以标准差或者SjS_jSj​. （2）计算协方差矩阵sigma Σ. （3）计算协方差矩阵的特征向量。u,s,v = numpy.linalg.svd(sigma) Zi=Ur⋅XiZ^i=U_r·
7. 吴恩达机器学习-PCA
qq_45069496的博客
08-09 452
降维就是指通过矩阵乘法运算后，把原来的矩阵维度减少。维数减少了，虽然可以大大减少算法的计算量，但是若对基矩阵 P 选择不当的话就很有可能会导致信息量的缺失。因此我们要选择哪 K 个基(这里还不知道是特征向量)才能保证降维后能最大程度保留原有的信息，是进行设计的主方向。...
【吴恩达】机器学习第14章PCA以及ex7PCA编程练习
BRAVE_NO1的专栏
10-03 702
1.PCA思想： PCA有两个作用，一个是降维，一个是数据可视化。通过降维可以达到数据可视化的目标。将D维降到K维：寻找K个向量，然后将样本点投影到这K个向量中，使得投影误差最小。比如:从2D到1D：找一条直线，将空间中的点垂直投影到这条直线距离上（正交距离），求一条使得这些距离之和最小的直线，从而实现降维。对于从3D到2D，找两个方向的直线，确定一个平面，然后将点投影到这个平面上，计算投影误差...
【机器学习】主成分分析(Principal Component Analysis，PCA)_吴恩达ML
Krone_的博客
12-05 839
声明：本文基于在校课程及吴恩达ML教程，代码参考自多份博客（已在参考链接中表明），如需转载请标明出处。 源代码、实验数据、实验指导书： https://pan.baidu.com/s/1yTTI0_w2bZ7o8uuxravLyA 提取码: spbp 一、算法描述 PCA 是最常见的降维算法。 比如说，现在想把 222 维 降到 111 维。PCA 的做法是找到一个方向向量（Vector dire...
PCA 学习笔记
想写就写咯
06-02 321
文章目录前言PCA 前言 重要的算法还是写写笔记吧 PCA 主成分分析（PCA）是一种降维方法，使用一个超平面，对正交属性空间中的所有样本点进行恰当的表达。超平面应该满足这样的性质： 最近重构性：样本点到这个超平面的距离都足够近 最大可分性：样本点在这个超平面上的投影尽可能分开 基于这两个可以分别得到等价推导。 样本 XXX 大小为 d×md\times md×m。降维后的维数 d′d'd′ 由用户事先指定，可以通过交叉验证，或者指定重构阈值 ttt，找到满足重构阈值的最小维数： 其中 λi\lamb
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值