本文讨论PCA降维过程中样本数与降维数目的关系。结论指出，降维后的维数应小于数据样本数。作者通过Matlab示例说明，无论是内置PCA函数还是其他机器学习工具箱，都要求降维后的维度小于等于样本数。文章还提到一篇被广泛引用的博客可能存在误解，并解释了降维后数据特征数小于样本数的原因，以确保降维过程有意义。
先说我的结论：降维后维数一定要小于数据样本数
最近在做扭曲图形的识别，思路是用使用一幅静态图像，建立扭曲方程，生成一系列不同形态的扭曲图像，再做Pca降维，生成10个特征基向量，任何一幅扭曲图像都向基向量投影，产生10个特征系数，根据特征系数做识别，其实就是特征脸的过程。
写这篇文章的主要原因是我在网上搜索Pca，发现有一篇文章很火：PCA降维算法总结以及matlab实现PCA(个人的一点理解)，被很多人转载，至于我也搞不清原创到底是谁；但不得不说，经过我的思考，我认为这篇文章中有些内容（即样本数目和降维数目关系）是有问题的，特在此讨论一下，希望得到更多人的意见和看法。
首先还是从Matlab中的Pca函数说起
之前自以为对Pca的原理比较清楚，但使用Matlab自带的pca函数时，有些问题困扰了我。下面先介绍一下matlab中pca函数的基本使用：
6万+
12万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
最低0.47元/天 解锁文章
