(系列笔记)27.主成分分析——PCA(下)

本文介绍了PCA(主成分分析)的优化算法,包括拉格朗日乘子法,并详细讲解了PCA的作用,如降噪和数据压缩。接着,文章深入探讨了奇异值分解(SVD),阐述了SVD的三个矩阵及其关系,并展示了如何使用SVD实现PCA,以及直接用SVD进行降维。文中通过SVD压缩图片实例,直观地展示了降维效果。
摘要由CSDN通过智能技术生成

PCA——用 SVD 实现 PCA

PCA 优化算法

PCA的优化算法目的是优化它的目标函数:
在这里插入图片描述

算法一,拉格朗日乘子法:

令:
在这里插入图片描述
然后对W求导,并令导函数为0可得:
在这里插入图片描述
这是一个标准的特征方程求解问题,只需要对协方差矩阵 X X T XX^T XXT进行特征值分解,将求得的特征值排序: λ 1 ≥ λ 2 ≥ . . . ≥ λ d \lambda_1\ge\lambda_2\ge...\ge\lambda_d λ1λ2...λd,再取前 d ′ d' d个特征对应的特征向量构成 W = ( w 1 , w 2 , . . . , w d ′ ) W=(w_1,w_2,...,w_{d'}) W=(w1,w2,...,wd)即可。这样就求出了W,即为主成分分析的解。

算法描述:
【输入】:

  • d维空间中n个样本数据的集和D={ x ( 1 ) , x ( 2 ) , . . . , x ( n ) x^{(1)},x^{(2)},...,x^{(n)} x(1),x(2),...,x(n)}
  • 低维空间的维数 d ′ d' d,这个数值通常由用户指定。

【过程】:

  1. 对所有原始样本做中心话: x ( i ) : = x ( i ) − 1 n ∑ i = 1 n x ( i ) x^{(i)}:=x^{(i)}-\frac{1}{n}\sum_{i=1}^{n}{x^{(i)}} x(i):=x(i)n1i=1nx(i)
  2. 计算样本的协方差矩阵: X X T XX^T XXT
  3. 协方差矩阵 X X T XX^T XXT进行特征值分解;
  4. 取最大的 d ′ d' d个特征值对应的特征向量 w ( 1 ) , w ( 2 ) , . . . , w ( d ′ ) w^{(1)},w^{(2)},...,w^{(d')} w(1),w(2),...,w(d)

【输出】:
W = ( w ( 1 ) , w ( 2 ) , . . . , w ( d ′ ) ) W=(w^{(1)},w^{(2)},...,w^{(d')}) W=(w

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