KPCA降维

KPCA方法是一种非线性主元分析方法,主要思想:通过某种事先选择的非线性映射函数Ф将输入矢量X映射到一个高维线性特征空间F之中,然后在空间F中使用PCA方法计算主元成分,核主成分分析最主要是非线性映射函数Ф的选取。

核函数如下:

径向基核函数:

                                                  

多项式核函:               

Sigmoid核函数:                  

算法步骤:

Step 1. 数据标准化处理。

Step 2. 求核矩阵K,使用核函数来实现将原始数据由数据空间映射到特征空间。采用的核函数为径向基核函数,公式为:

Step 3. 中心化核矩阵Kc,用于修正核矩阵。公式为:

  

              其中 为N×N的矩阵,每一个元素都为1/N

Step 4. 计算矩阵KC的特征值 ,对应的特征向量为 。特征值决定方差的大小,也就是说特征值越大所蕴含的有用信息越多,因此按特征值降序排序得 ,特征向量相应调整 。

Step 5. 通过施密特正交化方法,正交化并单位化特征向量,得到

Step 6. 计算特征值的累计贡献率 ,根据给定的贡献率要求p,如果rt>p,则选取前t个主分量,作为降维后的数据。


  • 0
    点赞
  • 21
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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