PCA算法推导

PCA理解与应用。

Motivation

  • PCA与Factor analysis非常相似,都是主要用于reduction data dimensions。但PCA的想法相比于Factor analysis更简单,实现起来也更加直观和容易(只需要算特征值)。
  • PCA tries to identify the subspace in which the data approximately lies.
  • 一个很简单的例子是,我们的数据中可能存在很多属性是高度相关的,那么这些属性实际上是有冗余的,如果我们直接用原始数据进行训练,有可能会受到Curse of dimensionality,同时增大计算量,增加模型过拟合的程度。

算法流程

数据预处理

首先,我们需要对数据进行标准化:
 1. Let  μ = 1 m ∑ i = 1 m x ( i )  2. Replace each  x ( i )  with  x ( i ) − μ  3. Let  σ j 2 = 1 m ∑ i ( x j ( i ) ) 2  4. Replace each  x j ( i )  with  x j ( i ) / σ j \begin{array}{l}{\text { 1. Let } \mu=\frac{1}{m} \sum_{i=1}^{m} x^{(i)}} \\ {\text { 2. Replace each } x^{(i)} \text { with } x^{(i)}-\mu} \\ {\text { 3. Let } \sigma_{j}^{2}=\frac{1}{m} \sum_{i}\left(x_{j}^{(i)}\right)^{2}} \\ {\text { 4. Replace each } x_{j}^{(i)} \text { with } x_{j}^{(i)} / \sigma_{j}}\end{array}  1. Let μ=m1i=1mx(i) 2. Replace each x(i) with x(i)μ 3. Let σj2=m1

  • 2
    点赞
  • 30
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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