主成分分析（Principal Component Analysis，PCA）

最新推荐文章于 2024-10-11 21:40:48 发布
最新推荐文章于 2024-10-11 21:40:48 发布
阅读量174 收藏 4
点赞数 4
分类专栏： 机器学习 文章标签： 深度学习 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/qq_1532145264/article/details/141934396
版权

PCA == 寻找新的坐标系？

1、PCA

PCA 主要作用就是 降维 ，降维的同时尽可能防止数据失真。

在这里插入图片描述

如上图，如何用一维数据表示二维数据信息，即如何寻找新的坐标系更加准确的表示数据。

2、PCA 求解过程

在这里插入图片描述

3、Conclusion

PCA 降维好处：简化特征的复杂程度，减少训练模型计算量。

PCA 降维缺点：离群点的影响较大。

PCA 降维的衡量指标：降维后，在各保留维度中的方差要最大，因为方差越大数据越散，防止了数据重叠导致信息失真。

[REFERENCE]
用最直观的方式告诉你：什么是主成分分析PCA
https://gitee.com/ni1o1/pygeo-tutorial/blob/master/12-.ipynb
PCA的数学原理

qq_1532145264
关注
专栏目录
PCA
YJ语
03-23 908
下面我不会直接描述PCA，而是通过逐步分析问题，让我们一起重新“发明”一遍PCA。 写在前面的思路 （总刚：行表示的是样本，列表示的是维度） 1.向量A和B的内积表示的是向量A在B上的投影长度。那么将一个向量与新的基做内积，结果则表示该向量在新的基下的坐标。 2.将新选定的基表示成矩阵形式，与原向量相乘，就得到了原向量在新选定的基所表示的空间（或坐标系）中的坐标表示了。 3.怎样选定这组基用于数据降维？（目标） （1）首先将数据变换到选定基上后，数据的方差要大，尽量分散。 （2）各个基要正交（表示的信息要不
降维算法之主成分分析 (Principal Component Analysis, PCA)
极光喵的博客
03-14 1203
PCA的主要目标是找到原始数据中方差最大的方向（这些方向是互相正交的），并将数据投影到这些方向上，从而实现降维。当我们处理的数据有很多特征（维度）时，为了更简单地理解数据，并减少计算复杂度，我们会希望减少数据的维度，但同时保留数据的主要特征。这说明，与直接在某一坐标轴上进行投影相比，PCA通过寻找数据方差最大的方向进行投影，能更好地保留原始数据的结构，减少信息损失。总之，虽然PCA是一种强大且广泛应用的降维方法，但在使用时也需要考虑其局限性，并根据具体应用的需求和数据的特性进行选择。
主成分分析 PCA | Principal Components Analysis
JasonH2021的博客
06-03 3065
本文主要简单介绍了主成分分析的基本概念，优缺点，应用场景，建模时的注意事项，实现方法和模型参数等。
（简单易懂）PCA：Principal Component Analysis 主成分分析
qq_39214409的博客
05-18 1854
Principal Component Analysis（PCA）是一种数据降维方式，可以将n维数据降低到指定的k维。此时延伸出一个问题，为什么数据要进行降维操作。如 Figure 1 在我们常用的二维坐标系中，我们可以很容易的观察出二维数据的分布规律，从而判断出数据的特性。假设在此数据的基础上，加上z轴，每个数据点在z平面上的抖动非常小，则数据点在z轴的变化对于数据整体的特性影响很小。我们足以在x、y轴上观察到数据的主要规律，那么数据在z轴上的维度可以选择忽略。
Principal Component Analysis：主成分分析【PCA降维】
v20000727的博客
12-26 1165
PCA，即主成分分析方法，是一种使用最广泛的数据降维算法。在信号处理中认为信号具有较大的方差，噪声有较小的方差，信噪比就是信号与噪声的方差比，越大越好，因此我们认为，最好的k维特征是将n维样本点转换为$k$维后，每一维上的样本方差都很大，并且每一维的数据不相关。
机器学习之主成分分析（Principal Component Analysis）
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
07-20 6376
主成分分析（Principal Component Analysis）简称PCA，是一个非监督学习的机器学习算法，主要用于数据的降维，对于高维数据，通过降维，可以发现更便于人类理解的特征。PCA是实现数据降维的一种算法。正如其名，假设有一份数据集，每条数据的维度是D，PCA通过分析这D个维度的前K个主要特征(这K个维度在原有D维特征的基础上重新构造出来，且是全新的正交特征)，将D维的数据映射到这K个主要维度上进而实现对高维数据的降维处理。
JAVA实现PCA主成分分析_主成分分析PCA(principal component analysis)原理
weixin_42395245的博客
03-02 599
PCA在很多方面均有应用，但是之前没有仔细探究过，最近看了一些博客和论文，做一下总结。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。为什么需要PCA?通俗一点说，PCA是一种降维的方法。我们知道，维数越大通常越难处理，在机器学习中，得到的数据维数通常都很高...
主成分分析法（Principal Component Analysis,PCA）
qq_43587949的博客
10-27 6513
主成分分析法（PCA）：用于提取一系列样本的主要特征，从而在分类、相似度比较、匹配等操作中提高运算效率和算法准确度
主成分分析（Principal Component Analysis，PCA）与因子分析（factor analysis）
statistics+insight+vista+power
03-05 61
主成分分析（Principal Component Analysis，PCA）与因子分析（factor analysis）
主成分分析(Principal Component Analysis)PCA降维可视化(PCA降维算法)-MATLAB源代码
10-03
主成分分析(Principal Component Analysis)PCA降维可视化(PCA降维算法)-MATLAB源代码 本代码详细图文介绍，请点击博客主页查找对应文章查看。可保证运行，运行失败或报错免费解决。 主成分分析（PCA）是一种常用的...
主成分分析，Principal Component Analysis(PCA)
05-10
主成分分析（PCA，Principal Component Analysis）是一种常见的数据分析方法，主要用于高维数据集的降维。它通过线性变换将原始数据转换为一组各维度线性无关的新变量，这些新变量被称为主成分。PCA的主要目的是保留...
《深度学习》【项目】OpenCV 答题卡识别 项目流程详解
最新发布
wx_AHao1004Y的博客
10-11 863
使用OpenCV对答题卡图像进行预处理，包括图像二值化、噪声去除、边缘检测等操作，以提高后续识别的准确性.......
LSTM变种模型
2401_83649983的博客
10-08 1093
双向长短期记忆网络（BiLSTM）是长短期记忆网络（LSTM）的扩展，旨在同时考虑序列数据中的过去和未来信息。BiLSTM 通过引入两个独立的 LSTM 层，一个正向处理输入序列，另一个逆向处理，使得每个时间步的输出包含了该时间步前后的信息。这种双向结构能够更有效地捕捉序列中的上下文关系，从而提高模型对语义的理解能力。正向传递: 输入序列按照时间顺序被输入到第一个LSTM层。每个时间步的输出都会被计算并保留下来。反向传递: 输入序列按照时间的逆序（即先输入最后一个元素）被输入到第二个LSTM层。
基于深度学习的复杂器官建模与模拟
weixin_42605076的博客
10-10 1207
基于深度学习的复杂器官建模与模拟是一项前沿技术，它利用深度学习模型从大量医学图像和临床数据中提取信息，生成复杂器官的三维结构模型，并对其进行功能模拟。这项技术对于医学诊断、手术规划、药物开发和疾病研究有重要意义，特别是针对心脏、肝脏、肺等复杂器官。
在线深度学习：爱奇艺效果广告分钟级模型优化
爱奇艺技术产品团队
10-10 872
01# 背景在效果广告投放场景中，媒体侧需要准确衡量每次请求的价值，模型预估值在广告竞价中扮演着核心角色。模型预估精度的提升，是改善媒体侧变现效率、提升广告收益的核心技术驱动力。此前，爱奇艺效果广告预估模型为小时级模型，从广告投放到效果反馈线上模型有数个小时的延迟。从23年下半年开始，我们致力于从模型时效性优化的方向提升模型能力，将小时级模型升级为分钟级在线深度学习（ODL），在爱奇艺流量取得了...
Modnet 人像抠图（论文复现）
wei_shuo的博客
10-09 882
Modnet 人像抠图（论文复现）
非线性主成分分析：核PCA方法详解与实验
Kernel Principal Component Analysis (KPCA) 是一种非线性降维技术，它在原始数据通过非线性映射转换到高维特征空间后进行主成分分析（PCA）。这种方法的提出者包括 Bernhard Schölkopf、Alexander Smola 和 Klaus...
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