#Python3入门机器学习之5.PCA与梯度上升法
_凡一
这个作者很懒,什么都没留下…
展开
-
Python3入门机器学习之5.5高维数据映射为低维数据
Python3入门机器学习 5.5 高维数据映射为低维数据 1.高维数据向低维数据的映射: 2.低维数据向高维数据的恢复: 3.封装自己的PCA方法: import numpy as np class PCA: def __init__(self, n_components): """初始化PCA""" assert n_components >= 1, "n_components must be valid" self.n_compon原创 2020-07-05 14:52:49 · 603 阅读 · 0 评论 -
Python3入门机器学习之5.4求数据的前n个主成分
Python3入门机器学习 5.4 求数据的前n个主成分 求出第一主成分以后,如何求出下一个主成分? 数据进行改变,将数据在第一个主成分上的分量去掉,在新的数据上求第一主成分,也就是相应的原来数据的第二主成分,这个过程以此类推,便可以求出第三主成分、第四主成分等。 求一组数据的前n个主成分: (1).数据的准备,这组数据是二维数据: (2).求这组数据的第一主成分: (3).求解这组数据的第二主成分: (4).整理一个求前n个主成分的函数: ...原创 2020-07-05 10:22:24 · 169 阅读 · 0 评论 -
Python3入门机器学习之5.3求数据的主成分PCA
Python3入门机器学习 5.3 求数据的主成分PCA 使用梯度上升法求解主成分: 1.准备数据: 2.进行均值归零(demean)操作: 3.梯度上升法求解主成分:原创 2020-07-05 09:31:50 · 103 阅读 · 0 评论 -
Python3入门机器学习之5.2使用梯度上升法求解PCA问题
Python3入门机器学习 5.2 使用梯度上升法求解PCA问题原创 2020-07-02 17:40:57 · 111 阅读 · 0 评论 -
Python3入门机器学习之5.1什么是PCA
Python3入门机器学习 5.1 什么是PCA 主成分分析(Principal Component Analysis) 一个非监督的机器学习算法 主要用于数据的降维 通过降维,可以发现更便于人类理解的特征 其他应用:可视化;去躁 所谓的均值归零(demean)就是所有的样本都减去这批样本整体的均值,变成如下的样子,样本的分布没有改变,只是坐标轴进行了移动,使得样本在每一个维度均值都是零: 此时方差的公式: 注意此时的xi是所有的样本点已经映射在了新的坐标轴上得到的新的样本。 总结主成分分原创 2020-07-02 17:18:43 · 182 阅读 · 0 评论