[深度学习基础] PCA与LDA

最新推荐文章于 2024-07-23 21:33:06 发布
最新推荐文章于 2024-07-23 21:33:06 发布
阅读量365 收藏
点赞数
分类专栏： 深度学习数学基础
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_26020233/article/details/88893071
版权

我对PCA的浅显的理解

PCA：无监督数据降维
主成分分析，以n维数据降到m维为例：
对数据矩阵进行特征值分解，将分解得到的n个特征值由大到小排序，找到前m个特征值，再由这m个特征值对应的特征向量将原始n维数据重构为m维数据矩阵，即完成了数据降维。

LDA：有监督数据降维
线性判别分析，核心思想：将高维数据投影到低维后，使得类内方差最小，类间方差最大

hellopipu
关注
专栏目录
python层次聚类选择类别_机器学习——传统聚类、LDA、深度学习聚类方法
weixin_42620563的博客
01-01 1011
聚类的应用场景没有分类广泛，而由于无监督其算法效果也不足以运用到生产环境中去，不过其仍然是机器学习中的一个重要组成部分。文本聚类常见的应用场景就是文档标签生成，热点新闻发现等等，另外，在处理文本特征时，也可以使用聚类形成特征的低维表示。本文主要从基于特征、潜在语义分析、深度学习两个类型的方法来描述文本聚类这个任务。一、基于文本特征的方法特征表示文本在分类和聚类的任务中，其特征表示都是一...
LDA与PCA
wxn704414736的博客
06-13 281
主成分分析（PCA）原理总结http://www.cnblogs.com/pinard/p/6239403.html用scikit-learn学习主成分分析(PCA)http://www.cnblogs.com/pinard/p/6243025.html线性判别分析LDA原理总结http://www.cnblogs.com/pinard/p/6244265.html用scikit-learn进行L...
我的机器学习/深度学习之路--LDA线性判别分析
weixin_49164676的博客
11-29 5373
帮助读者快速应用理解LDA，并提出了一种确定阈值的方法
深度学习基础（四）PCA和Whitening 分类： 深度学习 ...
dengxundong1074的博客
01-25 415
PCA(principal component analysis )即主成分分析，是一种常用的降维方法。 假设我们用降维操作处理一个二维的数据集（二维压缩成一维）： 在这个数据集上，我们可以计算出两个方向，我们称为主方向u1和次方向u2，其中u1的值是数据集协方差矩阵的最大特征值对应的特征向量，u2是次大特征值对应的特征向量。数据集的协方差矩阵（这个符号很...
LDA和PCA区别
weixin_30887919的博客
10-24 381
https://blog.csdn.net/brucewong0516/article/details/78684005 转载于:https://www.cnblogs.com/qlky/p/9841045.html
数据挖掘深度解析：PCA与LDA对比，特征选择与提取，分类与聚类详解
本文主要关注几个关键概念及其区别，包括PCA和LDA的对比、特征选择与特征提取的区分、聚类与分类的异同以及TF-IDF算法的内涵。 1. **PCA与LDA的区别**: PCA（主成分分析）和LDA（线性判别分析）都是降维技术，但...
PCA and LDA
12-10
当PCA和LDA与CNN结合时，PCA可以用来减少原始图像的维度，降低CNN的训练和推理时间，而LDA则可以帮助CNN更好地捕捉到人脸的关键差异，从而提高分类性能。这样的联合方法在实际应用中，尤其是在安全监控、身份验证等...
PCA+LDA经典人脸识别算法，先用PCA降维，再用LCA降维
04-16
PCA（主成分分析）与LDA（线性判别分析）是两种常用的数据降维方法，在机器学习领域，特别是人脸...尽管如此，PCA和LDA仍然是理解和学习机器学习基础的重要工具，对于理解数据降维和特征选择的概念有着不可替代的作用。
PCA与LDA融合的人脸识别技术解析
此外，随着深度学习在图像处理领域的崛起，基于神经网络的方法在人脸识别领域取得了更加显著的成果。然而，PCA+LDA作为一种经典的机器学习方法，仍然在一些特定场合具有其独特的优势和应用价值。
PCA-LDA算法
05-08
### PCA-LDA算法详解及其在性别鉴别中的应用 #### PCA-LDA算法概述 PCA-LDA算法，即主成分...未来，随着深度学习等先进算法的发展，PCA-LDA在性别鉴别领域的应用还将不断拓展，为社会生活带来更多便利和安全保障。
对LDA的学习和总结
u013488563的专栏
05-17 1736
最近一直在学人脸识别中的
降维：LDA与PCA的简析理解
loserChen的博客
03-07 715
LDA LDA(二分类情况） LDA是一种监督学习的降维技术，也就是说LDA依赖于样本的类别输出。LDA的基本思路就是将样本投影到一条直线上，使类间距离尽可能变大，类内距离尽可能变小。如下图所示： 那么我们可以通过y=wTxy=w^Txy=wTx来计算投影，当x是二维的时候，我们就需要找到一个w来做投影，然后寻找最能使样本点分离的直线。 那么我们应该如何来找到最佳的w呢？ 我们分别选择两个类别的...
【深度学习】LDA线性判别分析
最新发布
qq_73301283的博客
07-23 1180
本文章描述了LDA线性判别分析的问题以及解决，主要根据定义，结合类间类内散度矩阵Sb，Sw求得目标函数，转化为广义瑞利商或者最大广义特征值求解，求解办法为拉格朗日乘子法
LDA学习与实践
qq_33035933的博客
01-08 218
1、待看 https://blog.csdn.net/aws3217150/article/details/53840029 国内方面rickjin有著名的《LDA数学八卦》，国外的Gregor Heinrich有著名的《Parameter estimation for text analysis》 2、实验 from sklearn.decomposition import LatentDi...
学习笔记一LDA降维与PCA的区别
ainimao6666的博客
03-22 2790
1、PCA无需样本标签，属于无监督学习降维；LDA需要样本标签，属于有监督学习降维。二者均是寻找一定的特征向量w来降维的，其中，LDA抓住样本的判别特征，PCA则侧重描叙特征。概括来说，PCA选择样本点投影具有最大方差的方向，LDA选择分类性能最好的方向。 2、PCA降维是直接和特征维度相关的，比如原始数据是d维的，那么PCA后，可以任意选取1维、2维，一直到d维都行（当然是对应特征值大的那些）
深度学习与自然语言处理第三次作业——LDA段落主题分布问题
weixin_44966965的博客
05-03 2109
深度学习与自然语言处理第三次作业——LDA段落主题分布问题 利用LDA模型解决段落主体分布问题
深度学习不深度-PCA与AutoEncoder
jainszhang的博客
09-16 3703
1.AutoEncoder AutoEncoder称之为自编码器,自编码器过程如下： 我们的目标是使得  越接近越好。x经过Encoder后得到y（code）可以看作是一个降维的过程，因此与PCA类似。AutoEncoder原理十分简单，可以利用y（code）做分类，在y（code）较少的情况下，则需要考虑加入噪音来平衡。 2. PCA涉及数学知识 PCA是一种数据分析方法，将原始数据...
PCA与LDA学习小结
weixin_42984268的博客
03-28 291
PCA又称为主成分分析，在数据降维上应用较多。思想就是令降维后的数据各属性方差最大化，或者互不相关。这个可以通过线性代数中的协方差矩阵及其特征值分析来实现。完成这一步后，用特征值最大的前N个特征向量，组成一个N维基底的新矩阵空间，称为压缩矩阵。最后，将数据空间与压缩矩阵相乘，就可以将原数据空间映射到N维空间中。 LDA，又称线性判别分析，可用于无监督的数据分类。主要原理是寻找一个低维空间，令数据空...
NLP深入学习（十五）：LDA 模型
日常学习与专研的记录
05-23 1323
本文介绍nlp有关的lda模型，包含原理、公式以及python代码。
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