【人工智能专栏】 PCA Decomposition

于 2024-08-05 12:00:00 发布
阅读量39 收藏
点赞数
分类专栏： 机器学习 深度学习 文章标签： 人工智能 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/liufang_imei/article/details/140817957
版权

PCA Decomposition

外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传

算法

  1. 去除平均值 。
  2. 计算协方差矩阵 。
  3. 计算协方差矩阵的特征值和特征向量 。
  4. 将特征值排序 保留前N个最大的特征值对应的特征向量 。
  5. 将原始特征转换到上面得到的N个特征向量构建的新空间中（最后两步，实现了特征压缩）。

解释

  1. 为什么样本在“协方差矩阵C的最大K个特征值所对应的特征向量”上的投影就是k维理想特征

    最大方差理论:方差越大，信息量就越大。协方差矩阵的每一个特征向量就是一个投影面，每一个特征向量所对应的特征值就是原始特征投影到这个投影面之后的方差。由于投影过去之后，我们要尽可能保证信息不丢失，所以要选择具有较大方差的投影面对原始特征进行投影，也就是选择具有较大特征值的特征向量。然后将原始特征投影在这些特征向量上，投影后的值就是新的特征值。每一个投影面生成一个新的特征，k个投影面

了解本专栏 订阅专栏 解锁全文 超级会员免费看
FL6123863129
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
【零基础学机器学习 17】机器学习中的主成分分析(PCA)：完全指南
专注于图像领域，主要研究内容包括计算机视觉和深度学习，特别是在图像分类、目标检测和图像生成等方面有深入的研究和实践经验。
10-09 258
主成分分析（PCA）是一种流行的无监督学习技术，用于降低数据的维度。它在提高可解释性的同时，尽量减少信息损失。PCA有助于在数据集中找到最重要的特征，并简化数据以便于在二维和三维中绘制。PCA能够找到变量的一系列线性组合。假设我们有一个包含人口年龄和收入的数据集。这两个变量可能存在一定程度的相关性，例如年龄较大的人可能收入较高。在这种情况下，我们可以使用PCA来提取一个新的变量（主成分），它能够捕捉年龄和收入之间的主要变化。
PCA主成分分析算法专题【Python机器学习系列（十五）】
侯小啾技术博客
09-18 3416
PCA主成分分析算法专题【Python机器学习系列（十五）】 文章目录 1. PCA简介 1.2 python 实现 鸢尾花数据集PCA降维 1.3 sklearn库实现 鸢尾花数据集PCA降维案例
PCA降维：简易人脸识别模型
CSDN 精品推荐
02-11 4021
文章目录案例实战：简易人脸识别模型1、导库2、获取图片数据3、获取图片像素矩阵4、分割数据集5、未降维数据6、PCA降维数据 案例实战：简易人脸识别模型 1、导库 # 文件目录相关库 import os # 图片操作库 from PIL import Image # 导入近邻模型 from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score # 导入降维函数 from sklear
机器学习：基于主成分分析（PCA）对数据降维
阿极的博客
02-25 9866
主成分分析算法（Principal Component Analysis， PCA）的目的是找到能用较少信息描述数据集的特征组合。它意在发现彼此之间没有相关性、能够描述数据集的特征，确切说这些特征的方差跟整体方差没有多大差距，这样的特征也被称为主成分。这也就意味着，借助这种方法，就能通过更少的特征捕获到数据集的大部分信息。
【ML特征工程】第 6 章 ：降维：用 PCA 压缩数据薄饼
sikh_0529的博客
11-27 532
借助自动数据采集和特征生成技术，可以快速获取大量特征。但并非所有这些都有用。在第章和第章中，我们讨论了基于频率的过滤和特征缩放作为修剪掉无信息特征的方法。现在我们将仔细研究使用主成分分析(PCA) 进行特征降维的主题。本章标志着进入基于模型的特征工程技术。在此之前，大多数技术都可以在不引用数据的情况下定义。例如，基于频率的过滤可能会说，“去掉所有小于n的计数”，该过程无需数据本身的进一步输入即可执行。另一方面，基于模型的技术需要来自数据的信息。例如，PCA 是围绕数据的主轴定义的。
人工智能一些术语总结
AI小白入门的博客
10-07 3271
随着智能时代慢慢的到来，有一些基本概念都不知道真的是要落伍了，作为正在积极学习向上的青年，我想总结一份笔记，此份笔记会记录众多AI领域的术语和概念，当然，学一部分记录一部分，并且可能会夹杂着自己的一些理解，希望大家多多赐教。目录暂定以首字母的字典序排序。 A 准确率（accuracy） 分类模型预测准确的比例。 二分类问题中，准确率定义为：accuracy = (true positives
【主成分分析】详解常用的降维方法-主成分分析（PCA）算法
程序星空实验室
06-10 9845
主成分分析（PCA）是一种常用的无监督学习方法，利用正交变换把由线性相关变量表示的观测数据转换为几个由线性无关变量表示的数据。线性无关的变量称为主成分。主成分的个数通常小于原始变量的个数，所以PCA是一种降维算法。主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。.........
n4_Unsupervised_kmean++_elbow_silhouette_inertia_eigenV_pca_font_kwargs_variance_PCA(慎svd)_autoEncod
Linli522362242的专栏
10-06 2230
The goal of unsupervised learning is to discover the hidden patterns or structures of the data in which no target variable exists to perform either classification or regression methods. Unsupervised learning methods are often more challenging, as the ...
【机器学习】特征降维 - 主成分分析PCA
最新发布
wangyuxiang946的博客
07-20 1万+
主成分分析（Principal Component Analysis，PCA）， 是一种「统计」方法。通过正交变换将一组可能存在「相关性」的变量转换为一组「线性不相关」的变量，转换后的这组变量叫「主成分」。
【Pytorch学习笔记】将原始数据集按照比例划分成训练集、验证集和测试集
热情、奔放、快乐编程！
11-25 2928
我们在做深度学习模型训练时，需要提前做数据预处理工作，比如有需要预先划分好训练集、验证集、测试集，为训练模型调优做一个基本的数据支撑。一般情况，训练集：验证集：测试集 = 8：1：1，按照这个比例划分。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了将原始数据集按照比例划分成训练集、验证集和测试集的方法及源码，可直接使用，仅供学习参考！
Ultralytics公司YOLOv8来了(训练自己的数据集并基于NVIDIA TensorRT和华为昇腾端到端模型加速)--跟不上“卷“的节奏
热情、奔放、快乐编程！
01-12 2374
其实这里的梯度流主分支，可以是任何之前你学习过的模块，比如，美团提出的YOLOv6中就是用来重参模块RepVGGBlock来替换BottleNeck Block来作为主要的梯度流分支，而百度提出的PP-YOLOE则是使用了RepResNet-Block来替换BottleNeck Block来作为主要的梯度流分支。针对C3模块，其主要是借助CSPNet提取分流的思想，同时结合残差结构的思想，设计了所谓的C3 Block，这里的CSP主分支梯度模块为BottleNeck模块，也就是所谓的残差模块。
编译darknet报错：[obj/convolutional_layer.o] Error 1 或者[obj/convolutional_kernels.o] Error 1
热情、奔放、快乐编程！
03-26 2059
背景是：想使用多GPU训练模型 包这样的错，首先检查darknet下的Makefile是否修改正确----》三处位置 报错时的Makefile文件： 【第一处】---->多个博客是这样写的 GPU=1 CUDNN=1 OPENCV=1 OPENMP=0 DEBUG=0 【第二处】---->cuda-11.1是我自己的cuda版本，需修改成自己的安装版本 NVCC=/usr/local/cuda-11.1/bin/nvcc 【第三处】---->cuda-11.1是我自己的cuda版本，需修改
import caffe，报错Error: /usr/lib/x86_64-linux-gnu/libatk-1.0.so.0: undefined symbol: g_log_structur
热情、奔放、快乐编程！
09-10 1755
按照这个方法（https://blog.csdn.net/CAU_Ayao/article/details/83901287）修改没用，反而报新的错误 新错误为： Traceback (most recent call last): File “”, line 1, in File “/home/caffe-master/python/caffe/init.py”, line 1, in from .pycaffe import Net, SGDSolver, NesterovSolver, AdaGr
模型结构可视化神器Netron——免安装在线看
热情、奔放、快乐编程！
11-24 1668
模型结构可视化神器Netron——免安装在线看网址：https://lutzroeder.github.io/netron/，直接导入本地.onnx模型即可。 网址：https://lutzroeder.github.io/netron/，直接导入本地.onnx模型即可。
【深度学习笔记】为什么用F1-score
热情、奔放、快乐编程！
01-29 1516
F1 score 综合考虑了精确率和召回率，其结果更偏向于 Precision 和 Recall 中较小的那个，即 Precision 和 Recall 中较小的那个对 F1 score 的结果取决定性作用。F1 score是分类问题中常用的评价指标，定义为精确率（Precision）和召回率（Recall）的调和平均数。，由F1 score的计算公式可以看出，此时其结果主要受 Recall 影响。，其结果约为 0.5，而 F1 score 调和平均的结果约为 0。召回率，也称为查全率，衡量的是。
【Pytorch学习笔记】交叉熵损失函数CrossEntropyLoss的案例使用
热情、奔放、快乐编程！
11-29 1441
分类问题常用的损失函数为交叉熵（Cross Entropy Loss）。交叉熵描述了两个概率分布之间的距离，交叉熵越小说明两者之间越接近。熵是信息量的期望值，它是一个随机变量的确定性的度量。熵越大，变量的取值越不确定；反之，熵越小，变量取值就越确定。本文将使用交叉熵损失函数用作一个简单案例，代码仅供参考学习！提示：以下是本篇文章正文内容，下面案例可供参考在分类问题中用交叉熵可以更好的体现loss的同时，使其仍然是个凸函数，这对于梯度下降时的搜索很有用。
【Pytorch学习笔记】cifar10数据集转换为png图像数据集
热情、奔放、快乐编程！
11-25 1400
通常cifar10数据集下载后，我们无法查看每张图片是什么样子，本文将介绍如何使用python脚本，把cifar10数据集转化为可视化的png图片数据集。转换后的图像按照这样的规则分布：每个类别单独存放在一个文件夹，文件夹名称为0-9，一共10类。提示：以下是本篇文章正文内容，下面案例可供参考以上就是今天要讲的内容，本文仅仅简单介绍了cifar10数据集转换为png图像数据集python脚本方法步骤，仅供参考学习！
【深度学习笔记】CNN在图像上表现好的原因
热情、奔放、快乐编程！
01-18 1227
为什么这么说，因为在卷积神经网络之前，一般的网络都采用的是全连接的方式，前一层的每一个单元都对下一层的每一个单元有影响，而 CNN 中虽然存在全连接层，但是更核心的是前面用于提取特征的卷积层，一提到计算机视觉，第一反应就是 CNN ，但是大家有没有想过，为什么图像识别领域的网络结构都是使用的 CNN 呢，或者说 CNN 网络有哪些特点可以使其在图像识别领域表现良好？所以 CNN 应用的条件一般是要求卷积对象有局部相关性，这正是图像所具备的，因此图像领域都是使用 CNN 就解释地通了。
from sklearn.decomposition import PCA
05-25
在使用PCA时，需要先对数据进行标准化处理，然后调用sklearn.decomposition.PCA类进行降维。下面是一个简单的示例： ```python import numpy as np from sklearn.decomposition import PCA # 生成随机数据 X = np....
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

打赏作者

FL6123863129

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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