PCA主成分分析学习

最新推荐文章于 2022-12-23 18:25:14 发布
最新推荐文章于 2022-12-23 18:25:14 发布
阅读量482 收藏
点赞数
分类专栏： 算法 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/Swimmy_GY/article/details/50163711
版权

PCA训练的一般方法步骤从应用的角度实现降维：

1.那原始数据的每一个样本用一个向量表示，然后所有的样本组合起来就构成了一个矩阵，为了避免样本收到单位的影响，样本需要标准化。

2.求该矩阵的协方差矩阵。所谓协方差就是cov（X,Y）比较向量X Y的相关性，有正相关和负相关，0表示不相关。cov=sum[（Xi-mean（X））*（Yi-mean（Y））]/（n-1）

若X=Y，cov为方差。

3.求协方差矩阵的特征值和特征向量，特征值和特征向量 ：AX=λX，于是有：( A-λE)X=0；有解得条件是： A-λE|=0    ~~λ是方阵A的特征值，X是A的特征向量

      4.讲求得的特征向量按照特征值的大小进行组合成一个映射矩阵（当我们取到矩阵的前N个最大的特征值的时候，我们可以说提取到的矩阵主要的成分），并根据指定PCA保留的特征个数取映射矩阵的前n行（列），作为最终映射矩阵。           5.用最终的映射矩阵对原始数据进行映射，达到降维目的

-------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- -------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- PCA：是无监督学习，LAD有监督学习，未完待续~~~~

Swimmy_GY
关注
专栏目录
主成分分析（PCA） 学习笔记
BIG_Ribbit的博客
12-01 724
主成分分析（PCA） 学习笔记前言1. PCA原理功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 前言 主成分分析（Principal Components Analysis）是一种常用的对高维数据降维的方法。通过PCA，我们可以
主成分分析（学习笔记）
RoBOt__Dreamer
07-13 686
主成分分析：principal component analysis （PCA）由卡尔皮尔逊于1901年提出，是一种分析，简化数据的技术，主要用于降低数据的维数，并且在这个过程中，保持数据集中的对方差贡献最大的特征。具体怎样做呢？对数据集的协方差矩阵进行特征分解，得到数据集的主成分（特征向量）和相对应的权值（特征值）。我们要在降低数据维数的过程中，使数据集的信息丢失尽可能的小，这等价于在原数据集中...
主成分分析练习（PCA）
yangmaoda的博客
10-07 379
主成分分析练习（PCA） 原始数据： 程序： import numpy as np def pca(data): row = np.size(data, 0) #行 col = np.size(data, 1) #列 avg = np.zeros([1, col]) for i in range(col): avg[0, i] = np.mean(data[:, i]) for i in range(col): data[:, i]
主成分分析PCA学习笔记
night李的博客
12-26 1217
主成分分析（principal components analysis，PCA）是一个简单的机器学习算法，主要思想是对高维数据进行降维处理，去除数据中的冗余信息和噪声。 算法： 输入样本：D={x1,x2,⋯,xm}D=\left \{ x_{1},x_{2},\cdots ,x_{m}\right \} 低纬空间的维数过程：· 1：对所有样本进行中心化
Sklearn——PCA主成分分析
m0_37634594的博客
12-28 2284
Sklearn——PCA主成分分析1.特征降维2.特征选择和特征降维的区别3.常用降维算法4.sklearn中PCA算法函数主成分分析 (PCA)不同主成分个数对应的可解释方差分析(Explained Variance)5 sklearn中的其他降维算法函数6 sklearn中的fit、transform、fit_transform、inverse_transform1. 数据预处理中方法2. 各种算法的方法 1.特征降维 降维实际上就是把高维空间的数据转换映射到低维空间中，从而达到降低数据维度的目的，降维
PCA主成分分析Matlab仿真代码
03-17
PCA（主成分分析，Principal Component Analysis）是一种广泛应用的统计学方法，主要用于高维数据的降维处理。在机器学习、图像处理、数据分析等领域，PCA能够提取数据的主要特征，减少数据冗余，同时保持数据集中的...
PCA主成分分析.rar_PCA主成分分析_PCA数据降维_pca_主成分分析pca_降维
09-21
PCA（主成分分析）是一种广泛...总之，PCA主成分分析是一种强大的工具，用于简化高维数据，它通过降维来保留大部分数据信息，有助于数据的可视化和模型的建立。理解并正确应用PCA，对于理解和处理复杂数据集至关重要。
PCA主成分分析实验报告 （附MATLAB代码）.docx
03-13
PCA（主成分分析）是一种统计方法，用于将高维数据集转换为一组低维的线性组合，这些组合是原始变量的线性变换，且在数据方差中贡献最大。PCA的主要目标是减少数据的复杂性，同时尽可能保留数据集中的主要信息。在这...
【机器学习】PCA主成分分析应用 手写数字识别
01-21
from sklearn.neighbors import KNeighborsClassifier from sklearn.model_selection import train_test_split from sklearn.svm import SVC import matplotlib.pyplot as plt import numpy as np ...
机器学习——PCA降维（我至今为止遇见的最好的博文）
热门推荐
邹小驴
09-07 5万+
参考文章：https://zhuanlan.zhihu.com/p/77151308 PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。 PCA 的数学推导可以从最大可分型和最大重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小。由于基于最大重构性的 PCA 其与...
sklearn中的PCA使用方法
你在无中生有
03-29 873
1. 函数原型及参数说明 这里只挑几个比较重要的参数进行说明。 sklearn.decomposition.PCA(n_components=None, copy=True, whiten=False) n_components: int, float, None 或 string，PCA算法中所要保留的主成分个数，也即保留下来的特征个数，如果 n_components = 1，将...
机器学习 | PCA
最新发布
happylls666的博客
12-23 1352
pca学习笔记
特征值与特征向量&协方差矩阵
weixin_42673117的博客
12-25 1万+
一、特征值与特征向量 教程观摩：b站视频 1、定义： 从数学上看，如果向量v与变换A满足Av=λv，则称向量v是变换A的一个特征向量，λ是相应的特征值。这一等式被称作“特征值方程”。 意思：一个矩阵,左乘一个向量等于一个常数乘这个向量 满足这个条件，v被称为矩阵A的特征向量，λ是A的特征值 ????： 所以(111)为A 的特征向量，3为特征值 二、协方差矩阵 观摩视频：协方差矩阵 1、针对一维样本求的协方差就是方差，方差是协方差的一种特殊情况，意义与方差相同，都是反映集合中各个元素的离散程度 2、针
机器学习——PCA练习
joker_shy的博客
08-09 2212
数据集 这里用到的数据集是鸢尾花数据集 题目要求 1.　导入必要的库 2.　加载sklearn库自带的鸢尾花数据集 3.　将数据集划分为样本特征和样本类型 4.　构建PCA实例，其中n_components设置为2 5.　传入数据给模型 6.　打印输出所保留的n个成分各自的方差百分比 7.　对花的颜色进行特征分组，分为：[‘navy’, ‘turquoise’, ‘darkorange’] 8.　...
协方差，协方差矩阵，矩阵特征值
qq_38148024的博客
07-25 8159
一、统计学的基本概念 统计学里最基本的概念就是样本的均值、方差、标准差。首先，我们给定一个含有n个样本的集合，下面给出这些概念的公式描述： 均值： 标准差： 方差： 均值描述的是样本集合的中间...
PCA （主成分分析）详解 （写给初学者） 结合matlab
saishangxue123的专栏
01-19 2万+
本文转自：http://hi.baidu.com/ifengzh/item/8851b6387aebefc4382ffa60 PCA （主成分分析）详解 （写给初学者） 结合matlab 一、简介         PCA（Principal Components Analysis）即主成分分析，是图像处理中经常用到的降维方法，大家知道，我们在处理有关数字图像处理方面的问题
pca算法python实现_PCA算法——Python实现
weixin_39574246的博客
12-09 1076
一、流程生成模拟数据模型训练特征向量重要性分析画图二、Python语言1、生成模拟数据# 导入相关数据库from sklearn import datasets​# 提取数据digits = datasets.load_digits() #可以下载其他数据，例如鸢尾花：datasets.load_iris()x = digits.data # 原始特征数...
对训练集和测试集的PCA方法
欢迎来到hellyou的博客
12-06 4909
假如输入的训练集形状为 X1∈Rn1×m X_{1}\in R^{n_{1} \times m}X1​∈Rn1​×m 这里n1n_{1}n1​为训练集样本数，mmm为数据的原始维度。同理，测试集形状为 X2∈Rn2×mX_{2} \in R^{n_{2}\times m}X2​∈Rn2​×m 设我们需要的更加紧致的维度为kkk，则需要以下的步骤： 对 谨记：只能对训练集降维，把得到的降维矩阵保留，用于对测试集的降维。这是因为，测试集对我们来说，模型生成之前都是不可知的，所以不能使用任何关于测试集的信息。
PCA主成分分析详解与MATLAB实现
"本文主要介绍了主成分分析法（PCA）的基本概念、步骤以及如何使用MATLAB进行实现。PCA是一种常用的数据降维技术，通过线性变换将高维数据映射到低维空间，同时最大化信息保留。文中还讨论了降维的优点，并提供了PCA...
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