吴恩达机器学习笔记week14——降维 Dimensionality Reduction(无监督学习&PCA)

最新推荐文章于 2024-08-26 21:45:50 发布
最新推荐文章于 2024-08-26 21:45:50 发布
阅读量139 收藏
点赞数
文章标签： 机器学习
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/Saulty/article/details/109377927
版权
该博客详细介绍了吴恩达机器学习课程第14周的内容，主要聚焦于无监督学习中的降维技术——主成分分析PCA。PCA的主要目标包括数据压缩和可视化，通过最小化投影误差来实现。博客还阐述了PCA与线性回归的区别，以及PCA的实施步骤和数据预处理。此外，讨论了如何选择主成分的数量，并解释了如何从压缩表示中重构数据。最后，给出了在实际应用PCA时的一些建议。
摘要由CSDN通过智能技术生成

@[TOC](吴恩达机器学习笔记week14——降维 Dimensionality Reduction(无监督学习))

14-1.目标.I：数据压缩 Motivation I:Data Compression

在这里插入图片描述
在这里插入图片描述

14-2.目标.II：可视化 Motivation II：Data Visualization

在这里插入图片描述

14-3.主成分分析问题规划1 PCA problem formulation——原理理论基础

PCA == principal component analysis 主成分分析
projection error 投影误差——需要最小化
在这里插入图片描述

  • PCA VS 线性回归
    在这里插入图片描述

14-4.主成分分析问题规划2 PCA problem algorithm——实现步骤

  • 数据预处理
    在这里插入图片描述
    • 求降维后的向量
      在这里插入图片描述
      在这里插入图片描述
  • 总结
    在这里插入图片描述

14-5.主成分数量选择 Choosing the number of principal components——K


在这里插入图片描述

14-6.压缩重现 Reconstruction from compressed representation

在这里插入图片描述

14-7.应用.PCA.的建议 Advice for applying PCA

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

Saulty
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
吴恩达机器学习笔记（12）——降维（Dimensionality Reduction）
阿尔基亚的玫瑰蜜
03-05 689
这里介绍第二种无监督学习方法，叫做降维（Dimensionality Reduction） 一、目标1：数据压缩Data Compression 由于可能存在许多冗余特征量，或者说特征高度相关，所以需要减少特征量的数量。 so如果允许我们通过投影这条绿线上所有的原始样本，来近似原始的数据集，那么我只需要用一个数就能表示每个训练样本的位置，这样就能把内存的需求减半，同时这将允许我们的学习算法运行的...
机器学习学习笔记（十二）—— 无监督学习/维数约减(dimensionality reduction)
Lancetop的博客
05-15 904
为什么使用维数约减： 应用于数据压缩，数据压缩不仅通过压缩数据使得数据占有更少的计算机内存和硬盘空间，还能给算法提速。 什么是维数约减： 给出数据集：{},. 使得数据集转换成：{ },, k <= n. 尽量使得k=2/3，这样便于将数据可视化。 主成分分析法(Principal Component Analysis, PCA): 就2D到1D来举例，就是从平面上寻找...
吴恩达《Machine Learning》-Dimensionality Reduction降维（十四）
丰brother的博客
07-22 365
Data Compression数据压缩 为了让机器学习算法的运行效率更高，我们一般对于一些有特点的数据采取数据压缩。 如上图，数据集大多分布在一条线上附近，这种数据我们可以采用数据压缩。其操作是将直线附近的数据投影在本直线上。相当于将一个二维数据，降维成一维数据。 同理多于三维数据，我们也可以考虑投影在二维平面。（一般三维数据分布在二维平面附近）。此时我们仅仅需要两个维度，即投影二维平面的Z...
吴恩达机器学习之降维(Dimensionality Reduction)（二）：动机二——数据可视化（详细笔记，建议收藏，已有专栏）
汪雯琦的博客
03-20 292
吴恩达机器学习栏目清单 专栏直达：https://blog.csdn.net/qq_35456045/category_9762715.html 文章目录14.2 动机二：数据可视化 14.2 动机二：数据可视化 参考视频: 14 - 2 - Motivation II_ Visualization (6 min).mkv 在许多及其学习问题中，如果我们能将数据可视化，我们便能寻找到一个更好的解决...
机器学习——无监督学习
weixin_43212941的博客
11-15 817
机器学习——无监督学习预处理和缩放降维、特征提取、流形学习主成分分析1、可视化2、特征提取非负矩阵分解用t-SNE进行流行学习 在无监督学习中，学习算法只有输入数据，并需要 从这些数据中提取知识。 本章将研究两种类型的无监督学习：数据集变换与聚类。 数据集的无监督变换（unsupervised transformation）是创建数据新的表示的算法，与数据的原始表示相比，新的表示可能更容易被人或其他机器学习算法所理解。无监督变换的一个常见应用是降维（dimensionality reduction），它接受
2022吴恩达机器学习笔记汇总(共10章节).zip
12-27
2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip2022吴恩达机器学习笔记汇总(共10章节).zip...
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...
吴恩达机器学习作业（无答案与有答案各一版）与个人笔记.zip
11-10
此资源包含：（1）AndrewNg吴恩达机器学习的课后编程作业，无答案与有答案各一版(其中有答案又分为三版），并且有作业题目合并版pdf，可直接打印。（2）课堂讲义pdf。（3）个人笔记（中文版），可直接打印。Andrew-...
机器学习课笔记_吴恩达机器学习笔记_
10-01
吴恩达机器学习视频配套笔记，大家可以在B站上搜索视频进行学习
吴恩达机器学习[15]-无监督学习之 降维、主成分分析
踏归 的博客
08-06 714
吴恩达机器学习
吴恩达机器学习之降维(Dimensionality Reduction)（四）：主成分分析问题、主成分分析算法、选择主成分的数量（详细笔记，建议收藏，已有专栏）
汪雯琦的博客
03-20 579
吴恩达机器学习栏目清单 专栏直达：https://blog.csdn.net/qq_35456045/category_9762715.html 文章目录14.6 重建的压缩表示14.7 主成分分析法的应用建议 14.6 重建的压缩表示 参考视频: 14 - 6 - Reconstruction from Compressed Representation (4 min).mkv 在以前的视频中，...
Dimensionality Reduction（主成分分析PCA与线性判别分析LDA）
nakaizura
10-19 4695
PCA原理，实现，应用。多重境界的理解。通常情况下，在收集数据集时会有很多的特征，这代表着数据是高冗余的表示，但是对于某个工程来说其实可能并不需要那么多的特征。所以就需要给数据进行降维（Dimensionality Reduction）。降维可以简化数据，使数据集更易使用，降低时间开销，而且能减少一部分噪音的影响，使最后的效果变好。比如上图中，如果进行降维后再进行分类，将会易于处理.........
吴恩达机器学习之降维(Dimensionality Reduction)（一）：动机一——数据压缩（详细笔记，建议收藏，已有专栏）
汪雯琦的博客
03-20 723
吴恩达机器学习栏目清单 专栏直达：https://blog.csdn.net/qq_35456045/category_9762715.html 文章目录14.降维(Dimensionality Reduction)14.1 动机一：数据压缩 14.降维(Dimensionality Reduction) 14.1 动机一：数据压缩 参考视频: 14 - 1 - Motivation I_ Dat...
机器学习 第6章 支持向量机
qq_55871320的博客
08-25 782
上式表明：只要一个对称函数所对应的核矩阵半正定,它就能作为核函数使用.事实上,对于一个半正定核矩阵,总能找到一个与之对应的映射φ.换言之,任何一个核函数都隐式地定义了一个称为“再生核希尔伯特空间”的特征空间。在该样本空间中，中间的"实线段"都可作为划分超平面，但它们的效果不尽相同。在现实任务中,原始样本空间内也许并不存在一个能正确划分两类样本的超平面，如下图中的" 异或 问题就不是线性可分的。对这样的问题，可将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间内线性分。
模糊C-means算法原理及Python实践
最新发布
u013571432的博客
08-26 764
模糊C-means（Fuzzy C-Means，简称FCM）算法是一种经典的模糊聚类算法，它在数据分析、数据挖掘、图像处理等多个领域有着广泛的应用。总的来说，模糊C-means算法通过优化目标函数和迭代更新隶属度矩阵及聚类中心的方式，实现了对数据集的模糊聚类分析。在这种情况下，你可能需要考虑使用更快的聚类算法或优化FCM算法的实现（例如，使用并行计算、减少迭代次数、使用近似方法等）。FCM算法的核心是优化一个目标函数，该目标函数本质上是各个点到各个聚类中心的欧氏距离的平方和的一个加权形式。
【机器学习】线性回归
2401_86272648的博客
08-22 1041
解释了线性回归的概念、拟合平面的数学表达、最大似然估计和梯度下降法计算最合适的权重参数的过程。
【机器学习】决策树------迅速了其基本思想，Sklearn的决策树API及构建决策树的步骤！！！
2301_76820214的博客
08-26 926
决策树思想的来源非常朴素，试想每个人的大脑都有类似于if-else这样的逻辑判断，这其中的if表示的是条件，if之后的then就是一种选择或决策。我们收集了如表1-1的部分用户购买数据，建立了一张统一的调查表，统计几个月的销售数据。有的同学可能在大学学习过一门课程叫《数据结构》，里面有一个重要的结构就是“树”，和现实生活中的树一样，树的主要由四部分。组成，今天的决策树也是一种树结构，大家学习的时候可以想象现实生活中的树来来理解。答：这样会更精确的分析用户的特征信息，给出销售人员更准确的数据信息。
机器学习：决策树回归树实现
mohanyelong的博客
08-22 937
机器学习：决策树回归树实现
吴恩达机器学习笔记：斯坦福大学2014年机器学习课程学习笔记
吴恩达机器学习个人笔记完整版 吴恩达机器学习个人笔记完整版是根据斯坦福大学2014年机器学习课程视频所做的笔记，主要记录吴恩达老师上课时的重点。该笔记对机器学习的基本概念、模型、算法和应用进行了详细的介绍...
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