centering matrix中心矩阵的代码测试

centering matrix

对于每个[m,n]的矩阵X，当Cm乘X得到的结果是，每个元素减去每一列的平均值。
当X乘Cn得到的结果是，每个元素减去每一行的平均值。
对于每个[n,n]的矩阵X，当Cn乘X乘Cn得到的结果是，双中心矩阵，行和列的平均值都是0。


对于每个[m,n]的矩阵X，XCnX’结果是协方差矩阵。（每个行是一个变量，列是一个样本）
(CnX)’(CnX)=X’CnX（列是一个变量，行是样本）

代码演示

H2和H3如上。

KH和HK（对应减去row/column的均值）验证完毕。

对于每个[m,n]的矩阵X，XCnX’结果是协方差矩阵。（每个行是一个变量，列是一个样本）

对于每个[m,n]的矩阵X，(CmX)’(CmX)=X’CmX是协方差矩阵（列是一个变量，行是样本）

双中心矩阵

HKH结果为双中心矩阵，HKH 或者HKH 都等价
相当于把行和列的平均值依次做了减法，最终得到的矩阵就是双中心矩阵，行和列的平均值都是0.

线性核转化为rbf核

将核函数转换为
先给定一个矩阵K

线性核应该是K乘K的转置

线性核的a[i][j]表示的是i向量和j向量的内积

将其转化为RBF核矩阵

RBF核的a[i][j]表示的是i向量和j向量的距离然后除以一个常数
首先转换为两个向量的距离 即（a-b）2=a2+b2-2ab

  dot_products = x.dot(x.T)#求得线性核 
  sq_norms = np.diag(dot_products) #线性核的对角线 即各个向量的平方
  sq_distances = -2 * dot_products + sq_norms[:, None] + sq_norms[None, :]
  #-2*dot_products得到的矩阵的各个元素为：-2ab，加上后面两个即 a2+b2

结果无误。
第二种方法也可以

   GX = np.dot(X, X.T)
   KX = np.diag(GX) - GX + (np.diag(GX) - GX).T

sigma值的确定

 mdist = np.median(KX[KX != 0])  #除了对角线的所有距离
 sigma = math.sqrt(mdist) #中位数取平方