PCA学习笔记

最新推荐文章于 2024-10-04 16:37:42 发布
最新推荐文章于 2024-10-04 16:37:42 发布
阅读量122 收藏
点赞数
分类专栏： 机器学习 文章标签： 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/m0_46993421/article/details/105632322
版权

pca主要是定义一个x映射到z，且只能在训练集里使用PCA
当定义完之后，就可以进行交叉验证和测试集里使用

主要功能：
减少存储数据需要的空间
加速学习的算法

错误1
使用pca减少数据维度去解决过拟合
应该使用正则化，利用线性回归等去处理
因为pca会损失一些维度信息，可能会漏掉重要信息
而正则化的y值是已知的

错误2
不要一开始就使用pca
很多时候直接用原始数据也能完成项目
如果一开始就花大量时间想怎么使用pca怎么计算k值会浪费大量时间，得不偿失。

qq1656254328
关注
专栏目录
principle Component Analysis(PCA)算法思想+matlab/python实现
asqure的博客
05-29 409
principle Component Analysis(PCA)算法思想+matlab/python实现 简述 主成分分析是一种分析、简化数据集的技术，经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。 主要思路是将n维的数据投影到k(n>k)维空间超平面（直线的高维推广）上面去，使得各个样本点到超平面的投影距离最小（欧式距离）且方差最大。 算法思想 Input：n维样本集 Output：降维后的样本集 1、将原始数据集中每个样本用向量表示为矩阵，再对矩阵进行中心化处理 2、求协方差
【PCA学习笔记】
weixin_43417351的博客
01-21 1020
算法描述 1.算法过程： ①中心化(减去均值) ②计算协方差矩阵 ③计算特征值及特征向量 ④降维转换(原数据点乘特征向量) 知识储备 1.数据降维必要性看维度灾难。[4] 2.协方差矩阵。[2] 3.特征值/向量。[3] 举个栗子 1.[6]有详尽的例子。 2.样本中心化到协方差矩阵过程：设中心化后并转置的样本为，共10个样本数据，每个数据有3个维度。 实现代码 1.三维数据降到二维可视化，颜色对应，数据分布大致一致。 import numpy as np import matplotlib.pyplo
PCA 学习笔记
想写就写咯
06-02 323
文章目录前言PCA 前言 重要的算法还是写写笔记吧 PCA 主成分分析（PCA）是一种降维方法，使用一个超平面，对正交属性空间中的所有样本点进行恰当的表达。超平面应该满足这样的性质： 最近重构性：样本点到这个超平面的距离都足够近 最大可分性：样本点在这个超平面上的投影尽可能分开 基于这两个可以分别得到等价推导。 样本 XXX 大小为 d×md\times md×m。降维后的维数 d′d'd′ 由用户事先指定，可以通过交叉验证，或者指定重构阈值 ttt，找到满足重构阈值的最小维数： 其中 λi\lamb
pca学习笔记及matlab实现
demonsqi的博客
12-26 1743
PCA(Principal Components Analysis)即主成分分析，也称主分量分析或主成分回归分析法，是一种无监督的数据降维方法。首先利用线性变换，将数据变换到一个新的坐标系统中；然后再利用降维的思想，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上。这种降维的思想首先减少数据集的维数，同时还保持数据集的对方差贡献最大的特征，最终使数据直观呈现在二维坐标系。 特征值分解矩阵原理 (1) 特征值与特征向量 如果一个向量v是矩阵A的特征向量
Robust PCA 学习笔记
GarfieldEr007的专栏
04-06 1269
很久没有写学习笔记了，年初先后忙考试，忙课程，改作业，回家刚安定下来，读了大神上学期给的paper，这几天折腾数学的感觉很好，就在这里和大家一起分享一下，希望能够有所收获。响应了Jeffrey的建议，强制自己把笔记做成英文的，可能给大家带来阅读上的不便，希望大家理解，多读英文的东西总没坏处的。这里感谢大神和我一起在本文手稿部分推了一些大牛的“ easily achieved”stuff...
主成分分析PCA学习笔记
night李的博客
12-26 1221
主成分分析（principal components analysis，PCA）是一个简单的机器学习算法，主要思想是对高维数据进行降维处理，去除数据中的冗余信息和噪声。 算法： 输入样本：D={x1,x2,⋯,xm}D=\left \{ x_{1},x_{2},\cdots ,x_{m}\right \} 低纬空间的维数过程：· 1：对所有样本进行中心化
PCA &kernel-based PCA 学习笔记
KYkankankan的博客
03-19 391
纯属自己观看教程之后的学习笔记。解释了为什么要pca中需要使用特征值和特征向量。
PCA学习笔记 python实现
samoyan的博客,记录技术成长~
12-19 2495
PCA步骤： 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、将特征值从大到小排序 5、保留最上面的N个特征向量 6、将数据转换到上述N个特征向量构建的新空间中 方法1： scikit-learn中的主成分分析（PCA）的使用 1、函数原型及参数说明 class sklearn.decomposition.PCA(n
机器学习算法 -- PCA 学习笔记
金樽对月的成长脚步
10-18 700
PCA 学习笔记简介Principle Component， 有叫主成分分析法，一般是用于数据压缩，将高维的数据压缩成低维数据。在机器学习领域，它也是在执行某些机器学习算法前的预处理操作 —— 减少训练集的特征数量，简化或加快机器学习算法。直观理解其方法为，寻找一个较低维的超平面，这个超平面满足所有高维点到这个低维超平面的直角距离最小。这里的“最小”的概念我会在后面给出，可以用一个数字指标来衡量。以
45.R语言主成分分析PCA及factoextra包可视化学习笔记
05-07
在机器学习中，PCA也常用于预处理，减少噪声并提高模型的性能。 总之，R语言中的PCA分析结合`factoextra`包，提供了一种强大的工具来探索高维数据。通过执行PCA和可视化结果，你可以更好地理解数据的内在结构，简化...
主成分分析（PCA） 学习笔记
BIG_Ribbit的博客
12-01 728
主成分分析（PCA） 学习笔记前言1. PCA原理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 前言 主成分分析（Principal Components Analysis）是一种常用的对高维数据降维的方法。通过PCA，我们可以
【机器学习-无监督学习】降维与主成分分析
Morse_Chen的博客
10-01 2026
本文介绍了数据降维的常用算法之一：PCA算法。数据降维是无监督学习的重要问题，在机器学习中有广泛的应用。利用特征分解进行PCA，动手实现了PCA算法，并使用sklearn实现PCA算法。
机器学习Python实战-第三章-分类问题-1.K近邻算法
Hdejac的博客
09-28 726
详细解析K近邻算法，提供源码以及对应效果图。
GAN生成对抗网络介绍
最新发布
m0_58941767的博客
10-04 405
生成对抗网络（Generative Adversarial Networks，简称GANs）是由Ian Goodfellow等人在2014年提出的一种深度学习模型。它由两部分组成：生成器（Generator）和判别器（Discriminator），两者在训练过程中相互竞争，从而提高生成数据的质量和判别数据真伪的能力。一、GAN是什么？Generative Adversarial Networks ,生成对抗网络是一种深度学习模型。
第十四周：机器学习笔记
Zcymatics的博客
09-29 800
本周周报在机器学习的理论内容中，概述了Transformer里面Decoder的内容，其中包括Decoder的结构、autoregressive decoder（自回归解码器）以及non-autoregressive decoder（非自回归解码器），此外还讲述了Transformer 的训练过程，并在最后提供了序列到序列模型训练常用的Tips。在Pytorch代码学习中，本周报详细的讲述了训练模型的一些常用手段和流程，并通过代码实现了包括数据收集、模型搭建、模型训练、结果展示等过程。
【AI知识点】负对数似然损失函数（Negative Log-Likelihood Loss，NLL）
虾米记的博客
10-01 927
介绍：负对数似然损失函数（Negative Log-Likelihood Loss，NLL）
斯坦福机器学习课程笔记：主成分分析PCA与应用
本文将详细探讨主成分分析（Principal Component Analysis, PCA）算法，这是一种在机器学习和数据分析中广泛使用的统计方法。PCA的主要目的是通过线性变换将原始数据变换为一组各维度线性无关的新坐标系，同时尽可能...
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
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