数据降维：PCA、CCA、LDA、ICA的区别及适用场景

最新推荐文章于 2023-12-27 18:07:47 发布
最新推荐文章于 2023-12-27 18:07:47 发布
阅读量7.1k 收藏 16
点赞数 3
分类专栏： 知识经验分享 文章标签： 特征提取 数据降维 机器学习 模式识别 算法总结
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/liuz_notes/article/details/111653020
版权

比较

  1. PCA： 无监督学习，找到最优重构子空间，使主成分能刻画样本绝大部分的方差。
    应用：数据降维、Eigenfaces、PCA-SIFT

  2. CCA(Canonical Correlation Analysis)： 无监督学习，对两组变量降维，找到一个最优相关子空间进行相关性分析。
    应用：问卷调查中变量的相关性分析、跨模态学习。

  3. LDA： 有监督学习，学习一个可分性最好的投影方向。相当于是白化(whitening) + PCA，得到的是假设条件下的最优分类子空间（假设每个类都是单模态高斯分布、每个类协方差矩阵相同）。
    应用：数据降维、模式分类

  4. ICA： 无监督学习，各个分量之间相互独立，利用数据的高阶统计信息而不是二阶信息得到用于信号分离的独立子空间。
    应用：语音信号分离

liuz_notes
关注
  • 3
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
【机器学习】必会降维算法之：独立成分分析（ICA）
商务合作 | 面试培训 | 职场规划 ==>主页扫码
06-06 1794
【机器学习】必会降维算法之：独立成分分析
Matlab数据降维工具箱 包括几乎所有的数据降维方法
11-09
包括几乎所有的数据降维方法：PCA、LDA、ICA、MDS、Isomap、LandmarkIsomap、LLE、LLC、Laplacian、HessianLLE、LTSA、DiffusionMaps、KernelPCA、KernelLDA、SNE、NPE、LPP、SPE、LLTSA、SPCA、CCA、MVU、FastMVU、...
PCA,CCA,ICA的关系
qq_23100417的博客
07-29 4621
声明：转自https://blog.csdn.net/chinabing/article/details/50668750 PCA 主成分分析 m个n维的样本数据X1,X2,...,XmX1,X2,...,Xm, 均值为u 步骤: （1）标准化，Xi−uXi−u （2）计算协方差矩阵E{(X−E(X))(X−E(X))T}E{(X−E(X))(X−E(X))T} （3）计...
偏最小二乘回归（Partial Least Squares Regression）笔记
热门推荐
闲渔的专栏
01-09 3万+
看一篇文章，其中提到了偏最小二乘回归PLS，PLS方法在普通多元回归的基础（最小二乘法），结合了主成分分析PCA和典型相关分析CCA的思想，解决回归分析中自变量多重共线性的问题。 首先需要补充一下PCA和CCA的基础知识，其中最小二乘法比较常见，参见百度百科：最小二乘法 1. 主成分分析PCA 了解PCA，当然是 wiki:PCA，多元统计中，PCA在减少数据集的维数同时，保留住
降维常用方法SVD、PCA、CCA、NMF
weixin_47533705的博客
05-17 1386
最近在学习一些自然语言处理方面的知识，在学习的过程中发现，词向量构成的矩阵多为稀疏矩阵，信息比较分散，必须通过降维的方法将信息集中起来，从而方便后续的分析。本文将重点介绍几种不同降维方法的思想、区别 PCA 简介：主成分分析算法的关键在于对坐标轴进行旋转，从而找到使得数据中信息更加集中的坐标方向。简单的说就是对数据进行投影。 PCA的算法流程 对样本进行中心化 小tip：对样本中心化之后的协方差数据的分析，相当于对相关系数矩阵进行分析 计算样本的协方差矩阵 对协方差矩阵进行特征分解，找到特征值
Cacti插件
5Love
12-01 1501
一、Cacti插件 Cacti插件是对cacti的扩展。要使用cacti插件必须先扩展cacti架构，来支持插件。1.    安装cacti插件架构扩展下载地址：http://cactiusers.org/downloads/patches/当前版本是V1.1，是专门针对cacti V0.8.6设计的。1）.解压下载的tar包，你会得到一个cacti-plugin-ar
数学建模 典型相关分析Canonical Correlation analysis
wulimmya的博客
09-15 3354
典型相关分析CCA和主成分分析PCA非常相似，都是通过现有变量的线性组合构造新的综合变量以实现减少变量数目但代表几乎同样多的信息的目的。只是CCA分析的是两组变量，是要把每一组变量用一个线性组合综合变量表示，从而把两组变量的相关转化为两个综合变量（典型变量）的相关；而PCA是针对一个数据的多组变量，比如一张图片的所有像素，一个人的各种特征（身高，体重，肺活量···），是去把这一组变量实现降维就行了...
Matlab数据降维工具箱
08-29
包括几乎所有的数据降维方法：PCA、LDA、ICA、MDS、Isomap、LandmarkIsomap、LLE、LLC、Laplacian、HessianLLE、LTSA、DiffusionMaps、KernelPCA、KernelLDA、SNE、NPE、LPP、SPE、LLTSA、SPCA、CCA、MVU、FastMVU、...
核主成分分析：从基础理论到实际应用
最新发布
禅与计算机程序设计艺术
12-27 1019
1.背景介绍 核主成分分析(Core Component Analysis, CCA)是一种用于在两个或多个变量集之间找到共同的主成分的统计方法。它的主要目的是找到这些变量集之间的线性关系，以便更好地理解这些变量之间的关系和依赖关系。CCA 是一种多变量统计方法，它可以用来分析多个变量之间的关系，以及在这些变量之间找到共同的主成分。 CCA 的主要应用领域包括生物学、地理学、经济学、心理学、社...
特征转换方法比较（PCA、ICA、LDA）
藏晖的博客
01-19 4397
特征转换方法比较（PCA、ICA、LDA）一、主成分分析（PCA）二、独立成分分析（ICA）三、线性判别分析（LDA）四、异同点比较         随着机器学习和数据科学的发展，大数据的分析与处理在许多领域得到了应用。这通常需要收集很大的数据，并对多维数据进行观测，然而特征越多不仅仅会增加研究者的分析工作量和难度，同...
核PCA和CCA
04-05
详细讲述了核PCA和核CCA算法的数学推导过程
canoco数据分析CCA、PCA、RDA
01-13
在生态学统计分析中用的PCA、CCA、RDA均能通过canoco实现
PCA_ICA_LDA详细介绍与比较
09-02
还在为PCA、ICA、LDA而烦恼吗，作为一个机器学习与模式识别方向的研究生，这三个术语困扰了我很久，自己在网上找了很多的资料，最后发现了这个超级棒的ppt，讲得很清楚明了。好资料当然要相互分享嘛，希望这个ppt同样对大家有所帮助。
PCA_ICA_LDA_介绍与比较
04-07
PCA_ICA_LDA_介绍与比较，详细介绍，并进行了比较
java初学者适用 --java中如何在主类中添加方法
weixin_50677717的博客
11-24 2392
在java文件主类中如何添加方法java文件新的改变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 java文件 public class F { static void b(E x) { x.i+=3; x.ch+=3; }
数学建模 —— 降维算法
qq_52928524的博客
08-20 4527
降维算法
两个概念：CCA和LDA
weixin_30511107的博客
09-02 523
典型相关性分析(CCA) https://blog.csdn.net/Mbx8X9u/article/details/78824216 典型关联分析(Canonical Correlation Analysis，简称CCA)是最常用的挖掘数据关联关系的算法之一。比如我们拿到两组数据，第一组是人身高和体重的数据，第二组是对应的跑步能力和跳远能力的数据。那么我们能不能说这两组数据是相关的呢？...
典型相关分析（CCA）简述
iceberg7012的博客
10-24 1万+
文章目录前言一、算法原理二、举个例子三、CCA算法计算步骤四、编程实例1.引入库总结 前言         典型相关分析（Canonical Correlation Analysis）是研究两组变量之间相关关系的一种多元统计方法，它能够揭示出两组变量之间的内在联系。         在一元统计分析中，用相关系数来衡量两个随机变量的线性相关关系，用复相关系数研究一个随机变量与多个随机变量的
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