主成分分析（Principal Component Analysis, PCA）

最新推荐文章于 2024-08-22 16:52:45 发布
最新推荐文章于 2024-08-22 16:52:45 发布
阅读量957 收藏
点赞数
分类专栏： 数据预处理 文章标签： 数据预处理 PCA
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_38273984/article/details/88829364
版权
主成分分析(PCA)是一种常用于数据降维的方法，适用于处理高维数据。PCA通过对原始数据进行线性变换，找到一组新的基，使得转换后的数据在新基下各维度线性无关，同时最大化保留数据的方差。在机器学习中，PCA广泛用于特征提取后的降维操作，以减少计算复杂性和存储需求。PCA的优缺点包括：简单易实现，但可能会丢失一些次要的但重要的信息。PCA的实现可以使用特征值分解或奇异值分解，并且有多种变种来解决非线性、内存限制和稀疏数据的问题。
摘要由CSDN通过智能技术生成

主成分分析，2019-03-26


参考博文
https://blog.csdn.net/hustqb/article/details/78394058
https://www.cntofu.com/book/85/ml/clean-feature/pca.md
PCA是最重要的降维方法之一，在数据压缩、消除冗余和数据噪音消除等领域都有着广泛的应用。

1. 诞生原因
在处理高维数据时，为简化计算量以及存储空间，需要对高维数据进行一定程度上的降维，同时需要尽量使数据不失真。

2. 常用降维方法

  • PCA：Principal Component Analysis，主成分分析
  • ICA：Independent Component Analysis，独立成分分析

3. 用途
在机器学习中，用途广泛，可用于图像、语言、通信的分析处理（常用语机器学习中提取特征之后的降维操作）

4. 基本原理
找到一组基，这组基张成一个特征空间，将原始数据映射到新的该空间，申城新的数据

5. PCA-具体原理
通过线性变换，将原始数据变换为一组各维度线性无关的表示，以此来提取数据的主要线性分量
【需要用到：方差、协方差】

6. PCA-实现方法

  • 特征值分解（局限较多，比如变换的矩阵必须是方阵）
  • 奇异值（SVD）分解

7. PCA-算法步骤
设有n条m维数据，要降为k维：

  • 将原始数据按列组成m行n列矩阵X；
  • 将X的每一行（代表一个属性字段）进行零均值化；
  • 求出协方差矩阵C = 1/m * (X*X^T)࿱
最低0.47元/天 解锁文章
AlisaZqq
关注
专栏目录
主成分分析（Principal Component Analysis，PCA）
12-21
主成分分析（PCA）是一种广泛应用于数据科学和机器学习领域的降维技术，旨在将高维度数据转换成一组线性不相关的低维度特征，这些新特征称为主成分。PCA通过正交变换来实现这一过程，目的是在减少数据复杂性的同时...
Principal Component Analysis(PCA)主成分分析
qq_44599368的博客
10-23 387
一、PCA是什么？ PCA主要是通过矩阵的运算将具有一定相关性的样本数据，投影到一组特征向量不相关的低维空间，期间会舍弃非主成分方向，仅仅保留所需要的单位正交化后的特征向量。而且，这种舍弃会使样本的密度增大，这是PCA的主要作用；同时，往往最小的特征值所对应的特征向量与噪声有关，这种舍弃会起到降噪的效果。 PCA的原理图：本质是为了样本点到其低维投影点的距离平方和最小，等价于求方差最大的几个方向，即为协方差矩阵特征值最大所对应的特征向量。 推导...
gromacs PCA 做自由能景观图
xiaolan39的博客
05-13 8024
在文献中看到有人做自由能景观图，记录下自己的操作过程 参考http://www.kangsgo.com/49.html http://sobereva.com/73 https://www.zhihu.com/question/19895566 跑完动力学后蛋白比对 gmx trjconv -f md.xtc -s md.tpr -fit rot+trans -o mdfit.xtc 选择backbone 以及 system用于输出 然后生成协方差 gmx covar -s md.gro -f mdfi
深入理解主成分分析 (PCA) 及其广泛应用
最新发布
weixin_51524504的博客
08-22 1613
PCA 在多种实际场景中表现出色。例如，在图像压缩中，PCA 通过提取最主要的特征来减少图像数据的存储需求；在噪声过滤中，通过去除低方差主成分，PCA 能有效减少数据中的噪声。
Gromacs——教程学习(1)
yin1331102028yin的博客
04-28 2377
Gromacs——教程学习(1)
2023-CADD、AIDD/分子对接、gromacs分子动力学全程实操、代谢组学
itwangyang520的博客
10-03 566
CADD(Computer Aided Drug Design):计算机辅助药物设计，依据生物化学、酶学、分子生物学以及遗传学等生命科学的研究成果，针对这些基础研究中所揭示的包括酶、受体、离子通道及核酸等潜在的药物设计靶点，并参考其它类源性配体或天然产物的化学结构特征，以计算机化学为基础，通过计算机的模拟、计算和预算药物与受体生物大分子之间的相互作用，考察药物与靶点的结构互补、性质互补等，设计出合理的药物分子。基于代谢组学的高性价比特性，它被药学领域的研究者给予了厚望，有望加速新药开发的进程。
GROMACS模拟分析-自由能形貌图的绘制
weixin_44873868的博客
12-24 3144
自由能形貌图一般通过两个描述体系特征的量来进行绘制，例如RMSD和Rg，也有文献中用主成分分析PC1和PC2绘制。对rmsd.xvg和rg.xvg文件进行处理，删除所有注释行（以#或者@开头的行和空行）以及rg.xvg中的XYZ三个方向上的Rg数据。利用主成分分析绘制自由能形貌图，一般来说就是用主成分1和2取代上文中的RMSD和Rg，后处理都是一样的。2. 合并rmsd.xvg和rg.xvg文件，把同一时间下的RMSD和Rg数据写在同一行，组合文件中包含三列：时间、RMSD、Rg，可使用如下命令实现。
gromacs学习及使用(3)
yin1331102028yin的博客
11-30 825
溶剂可及表面(SAS, solvent accessible surface)或溶剂可及表面面积(SASA, solvent accessible surface area).对轨迹进行主成分分析(PCA, PrincipalComponents Analysis).8. 溶剂和氢原子位置的弛豫: 位置限制MD。
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...
PCA主成分分析(Principal Component Analysis)
12-25
### PCA主成分分析(Principal Component Analysis) #### 一、引言 主成分分析（Principal Component Analysis，简称PCA）是一种常用的数据降维技术，在数据分析、模式识别、机器学习等领域有着广泛的应用。通过PCA...
主成分分析Principal Component Analysis
02-05
### 主成分分析（Principal Component Analysis, PCA）知识点详解 #### 一、主成分分析概述 - **定义**：主成分分析是一种统计方法，用于通过正交变换将一组可能相关的变量转换为一组线性不相关的变量——主成分。...
核主成分分析(Kernel Principal Component Analysis, KPCA)(Python)
05-31
核主成分分析(Kernel Principal Component Analysis, KPCA) PCA方法假设从高维空间到低维空间的函数映射是线性的，但是在不少现实任务中，可能需要非线性映射才能找到合适的低维空间来降维。 非线性降维的额一种常用...
PCA详解
qq_36575363的博客
10-07 2185
1.相关背景 在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观测，收集大量数据后进行分析寻找规律。多变量大数据集无疑会为研究和应用提供丰富的信息，但是也在一定程度上增加了数据采集的工作量。更重要的是在很多情形下，许多变量之间可能存在相关性，从而增加了问题分析的复杂性。如果分别对每个指标进行分析，分析往往是孤立的，不能完全利用数据中的信息，因此盲目减少指标会损失很多有用的信息，从而产生错误的结论。 因此需要找到一种合理的方法，在减少需要分析的指标同时，尽量减少原指标包含信息的损失，以达到对所收
PCA(主成分分析方法)
YMilton的专栏
04-13 3万+
目录 1. 降维问题 2. 向量与基变换 2.1 内积与投影 2.2 基 2.3 基变换的矩阵 3.协方差矩阵及优化目标 3.1 方差 3.2协方差 3.3协方差矩阵 3.4协方差矩阵对角化 4. 算法与实例 4.1 PCA算法 4.2 实例 5. 讨论 PCA（Principal Component Analysis）是常用的数据分析方法。...
机器学习——PCA降维（我至今为止遇见的最好的博文）
邹小驴
09-07 5万+
参考文章：https://zhuanlan.zhihu.com/p/77151308 PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。 PCA 的数学推导可以从最大可分型和最大重构性两方面进行，前者的优化条件为划分后方差最大，后者的优化条件为点到划分平面距离最小。由于基于最大重构性的 PCA 其与...
主成分分析（PCA）原理详解
热门推荐
李春春的专栏
03-04 46万+
机器学习中有关特征选择的问题，其实就是要剔除和类标签无关的特征，去除噪声或者冗余。在这种情况下，需要一种特征降维的方法来减少特征数，减少噪音和冗余，减少过度拟合的可能性。PCA的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征。这k维特征称为主成分，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-k维特征。现在的问题是，对于很高维数据，你能想象其分布吗？就算能描述分布，如何精确地找到这些主成分的轴？如何衡量你提取的主成分到底占了整个数据的多少信息？所以，我们就要用到主成分分析的处
PCA（主成分分析）
zs_id的博客
12-31 3002
PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。∑是一个m∗n的矩阵，∑除了对角线其它元素都为0，对角线上的元素称为奇异值。VT是V的转置矩阵，是一个n∗n的矩阵，它里面的正交向量被称为右奇异值向量。通过计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值和特征向量，选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。其中，Q是矩阵A的特征向量组成的矩阵，Σ则是一个对角阵，对角线上的元素就是特征值。
主成分分析（PCA）详解
weixin_60737527的博客
06-06 9万+
主成分分析（PCA）原理与应用
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