Principal Component Analysis (PCA)主成分分析

最新推荐文章于 2025-03-24 16:40:40 发布

kelciej

最新推荐文章于 2025-03-24 16:40:40 发布

阅读量863

点赞数 1

分类专栏： DataMining 文章标签：机器学习数据主成分分析 pca降维数据挖掘

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/kelciej/article/details/78145085

版权

主成分分析（PCA）是一种常见的数据分析技术，用于降低数据维度并保留主要信息。PCA通过线性变换解释数据的方差和协方差结构，常用于机器学习、信号处理和图像压缩。在PCA中，首先计算数据的协方差矩阵，找出特征向量并按特征值大小排序，选择最重要的几个特征向量作为新的坐标轴，从而实现数据降维。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

什么是主成分分析？

功能：降维以及特征构建

PCA被用于减少数据维度，但不损失太多信息
PCA被用于机器学习、信号处理和图像压缩

PCA的目的

通过对变量的线性结合，来解释或者总结一组数据量较大的变量的方差、协方差结构。

PCA的背景

假设有两个属性A1、A2，n个训练样本。x表示A1的值，y表示A2 的值
A1的方差为：

v a r (A 1) = \sum n i = 1 ( x i - x ¯ ) 2 n - 1

$var(A_1) = \frac{\sum_{i=1}^n(x_i-\bar x)^2}{n-1}$
A1和A2 的协方差为：

c o v (A 1, A 2) = \sum n i = 1 ( x i - x ¯ ) ( y i - y ¯ ) n - 1 </

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。