29 主成分分析降维算法原理解读

于 2020-12-25 13:05:09 发布
阅读量183 收藏
点赞数
分类专栏： 人工智能
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/jayron/article/details/111673281
版权

1 PCA基本概念

2 方差与协方差

3 结果推导

4 降维实例

Jayron
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
主成分分析降维代码（直接调用版）_主成分分析降维代码_降维_
09-28
主成分分析降维代码，完整版，可以直接放进matlab运行。
数据降维1：主成分分析法思想及原理（配图版）
木东居士
12-30 5820
0x01 什么是主成分分析法 PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法（非监督的机器学习方法）。其最主要的用途...
主成分分析降维原理——PCA数学推导
南瓜派三蔬
05-03 957
1.PCA降维的计算过程 下图是从西瓜书里截取的PCA降维过程的图片。 需要说明的是，算法中的向量为列向量。假设原始维度为d，样本数目为m，因此特征矩阵X的维度为d×m，W的维度为d×d’。降维的时候，transpose(W)*X得到 d’×m的矩阵，它的每一列，即为降维后的向量。 2.数学推导 不过西瓜书里没有详细推导（我查了好几本书，包括DeepLearning和Hands On ML，都没...
PCA降维原理(主成分分析)小结
rcoon
12-04 9908
PCA降维PCA是什么目的和原则 PCA是什么 PCA（Principal Component Analysis）是一种常用的数据分析方法 PCA通过线性变换将原始数据变换为一组各维度线性无关表示，可用于提取数据的主要特征分量及高维数据的降维 目的和原则 目的： 在机器学习中，实际处理的数据有成千上万甚至几十万的维度，这种情况下机器学习的资源消耗是不可接受的，并且对算法的复杂度也有很大的影响，因此...
主成分分析（PCA）原理详解
热门推荐
李春春的专栏
03-04 45万+
机器学习中有关特征选择的问题，其实就是要剔除和类标签无关的特征，去除噪声或者冗余。在这种情况下，需要一种特征降维的方法来减少特征数，减少噪音和冗余，减少过度拟合的可能性。PCA的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征。这k维特征称为主成分，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-k维特征。现在的问题是，对于很高维数据，你能想象其分布吗？就算能描述分布，如何精确地找到这些主成分的轴？如何衡量你提取的主成分到底占了整个数据的多少信息？所以，我们就要用到主成分分析的处
主成分分析（降维）
LLLTTS
08-02 1万+
数据量太大时往往会有相关性较高的维度，给建模计算带来不必要的开支。 算法步骤： 输入：n维样本集，要降维到的维数n'. 　　　　输出：降维后的样本集D' 　　　　1) 对所有的样本进行中心化：  　　　　2) 计算样本的协方差矩阵 　　　　3) 对矩阵进行特征值分解 　　　　4）取出最大的n'个特征值对应的特征向量 将所有的特征向量标准化后，组成特征向量矩阵W。 　　　　5）对样...
KPCA_KPCA_KPCA降维_kca_核主成分_降维_
10-03
数据降维的实现，核主成分分析的MATLAB实现代码
主成分分析算法降维.rar
03-21
主成分分析算法matlab代码，可实现数据降维
主成分分析降维代码（直接调用版）.doc
04-26
主成分分析降维代码（直接调用版）.doc
MATLAB算法主成分分析降维代码直接调用版
最新发布
04-15
MATLAB算法主成分分析降维代码直接调用版提取方式是百度网盘分享地址
PCA.zip_PCA 降维_pca算法_主成分分析 C++_主成分降维_降维算法C
09-20
PCA算法，主成分分析，主要用于数据降维
pca.rar_pca降维_主成分分析_主成分降维_降维处理
09-19
主成分分析，降维等处理，能够较好的分析出主要成分，并对其进行降维以便于其他的运算
主成分分析.rar_主成分_主成分分析_降维贡献
07-15
使用主成分分析方法降维，输出主成分特征根，单位向量，累计贡献率
数学建模MATLAB代码主成分分析降维代码直接调用版
03-10
数学建模MATLAB代码主成分分析降维代码直接调用版本资源系百度网盘分享地址
主成分分析降维代码（直接调用版）.rar
08-06
Matlab 41种常用算法程序包
PCA的数学原理
wxing2008666的专栏
06-28 6238
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。 当然我并不打算把文章写成纯数
降维（一）----说说主成分分析(PCA)的源头
blog
05-16 2万+
降维系列： 降维（一）----说说主成分分析(PCA)的源头降维（二）----Laplacian Eigenmaps ---------------------         主成分分析（PCA） 在很多教程中做了介绍，但是为何通过协方差矩阵的特征值分解能够得到数据的主成分？协方差矩阵和特征值为何如此神奇，我却一直没弄清。今天终于把整个过程整理出来，方便自己学习，也和大家交流。
通俗理解PCA降维作用
HLBoy_happy的博客
08-13 8万+
本文主要介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。 1. 降维可以缓解维度灾难问题； 2. 降维可以在压缩数据的同时让信息损失最小化； 3. 理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。。
降维技术（一）主成分分析
re7890的博客
09-28 691
降维技术（一） PCA（主成分分析） 1. 相关术语： 2. 原理： 3. 过程： 4. 实现方法 5. 优缺点： 附：专业词汇 降维技术（一） 降维方法： (1)主成分分析（Principal Component Analysis， PCA） (2)因子分析（Factor Analysis） (3)独立成分分析（Independent Componet Ana...
matlab主成分分析降维
07-28
主成分分析（Principal Component Analysis，PCA）是一种常用的降维技术，用于减少高维数据的特征数量。在Matlab中，可以使用内置函数`pca`来进行主成分分析。 下面是一个简单的示例代码，展示如何使用Matlab进行主成分分析降维： ```matlab % 假设有一个包含m个样本和n个特征的数据矩阵X X = [x1, x2, x3, ..., xn]; % 对数据进行中心化处理 X_centered = X - mean(X); % 计算协方差矩阵 covariance_matrix = cov(X_centered); % 进行特征值分解 [eigenvectors, eigenvalues] = eig(covariance_matrix); % 将特征向量按照对应的特征值大小降序排列 [~, index] = sort(diag(eigenvalues), 'descend'); eigenvectors_sorted = eigenvectors(:, index); % 选择前k个特征向量作为新的基，k为降维后的维度 k = 2; new_basis = eigenvectors_sorted(:, 1:k); % 将数据投影到新的基上得到降维后的数据 reduced_data = X_centered * new_basis; ``` 在上述代码中，通过计算数据矩阵的协方差矩阵，然后进行特征值分解，得到特征向量和特征值。将特征向量按照对应的特征值大小降序排列，选择前k个特征向量作为新的基，然后将数据投影到新的基上得到降维后的数据。 需要注意的是，上述代码中的`X`表示输入的数据矩阵，每一列代表一个特征，每一行代表一个样本。`x1, x2, x3, ..., xn`是数据矩阵的列向量。 希望以上代码能够帮助到你！如有任何问题，请随时提问。

“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 1
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