PAC原理

1 概念

PCA(Principal Component Analysis,主成分分析)是一个非常有用的降维技巧。它 可以在使用尽可能少维数的前提下,尽量多地保持训练数据的信息。

2 流程

img --> img_mean -->x = (img - img_mean) --> M= x*x.T --> e,ev =linalg.eigh(M)–>tmp = dot(X.T,EV) --> V = tmp[::-1] -->S = sqrt(e)[::-1]

3 代码

def pca(x):
    num_data,dim = x.shape
    x_mean = x.mean(axis=0)
    x = x - x_mean

    if num_data < dim:
        m = np.dot(x,x.T)
        e,ev = np.linalg.eigh(m)
        tmp = np.dot(x.T,ev).T
        v = tmp[::-1]
        s = np.sqrt(e)[::-1]
        for i in range(v.shape[1]):
            v[:,i] /= s
    else:
        u,s,v = np.linalg.svd(x)
        v = v[:num_data]
    return v,s,x_mean
  • 0
    点赞
  • 0
    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