PCA python代码实现及代码解释

本文链接：https://blog.csdn.net/qq_34432960/article/details/102557776

本文介绍了PCA（主成分分析）算法，并通过Python代码进行详细解释。内容包括：矩阵切片操作，均值计算，以及协方差矩阵的构建。文中强调了numpy库的使用，并解释了rowvar参数在计算协方差时的作用。

摘要由CSDN通过智能技术生成

PCA算法：

#   输入：训练样本集 ?=?(1),?(2),...,?(?) ,低维空间维数 ?′ ;
#   过程：.
#   1：对所有样本进行中心化（去均值操作）： ?(?)?←?(?)?−1?∑??=1?(?)? ;
#   2：计算样本的协方差矩阵 ??? ;
#   3：对协方差矩阵 ??? 做特征值分解 ;
#   4：取最大的 ?′ 个特征值所对应的特征向量 ?1,?2,...,??′
#   5：将原样本矩阵与投影矩阵相乘： ?⋅? 即为降维后数据集 ?′ 。其中 ? 为 ?×? 维， ?=[?1,?2,...,??′] 为 ?×?′ 维。
#   5：输出：降维后的数据集 ?′

1、

list[start:end:step]

start:起始位置

end:结束位置

step:步长

2、

>>> c=np.array([[1,2,3],[4,6,7],[7,8,9]])
>>> c[:-1:]
array([[1, 2, 3],
       [4, 6, 7]])
>>> c[:-2:]
array([[1, 2, 3]])

3、

X[:,0]就是取矩阵X的所有行的第0列的元素，X[:,1] 就是取所有行的第1列的元素。

X[:, m:n]即取矩阵X的所有行中的的第m到n-1列数据，含左不含右。

X[0,:]就是取矩阵X的第0行的所有元素，X[1,:]取矩阵X的第一行的所有元素。

4、