Taurus

主成分分析PCA--------------PCA简单使用-------------一：回顾PCA（一）主成分分析法是干什么用的？（二）主成分分析法在做什么？（三）主成分分析法具体怎么做呢？——降维（四）主成分分析法具体怎么做呢？——重建数据二：数据集导入及可视化三：数据预处理三：奇异值分解四：使用PCA进行降维五：数据升维六：绘制PCA可视化图像-------------人脸像素降维之PCA使用------------- --------------PCA简单使用------------- 一：回顾PCA

在模型预测中，模型可能出现的误差来自两个主要来源：   1、因模型无法表示基本数据的复杂度而造成的偏差（bias);   2、因模型对训练它所用的有限数据过度敏感而造成的方差（variance)。   误差是测量值与真实值之间的差值。用误差衡量测量结果的准确度，用偏差衡量测试结果的精确度；误差是以真实值为标准，偏差是以多次测量结果的平均值为标准。   而方差在统计学中是指各个数据与其平均数之差的平方的和的平均数，它表示的是一种偏离程度：当数据分布比较分散时，方差就较大；因此方差越大，数据的波动越大；方差越小

文章目录1.生成方式的区别1.1生成martix对象1.2生成ndarray对象2.matrix()和array()关于秩的区别3.运算的区别3.1运算的局限性3.2矩阵乘法3.3维数变化4.两个对象之间的相互转化 1.生成方式的区别 初始化特定值的矩阵，我们一般用到的方式是np.mat()或np.array()。相信使用过numpy库的学者都应该接触过这两种方法，但对于这两种方法的区别，肯定会有一些初学的小白们没细想它们。下面结合本篇主题，讲讲这两个方法的用法和区别。 1.1生成martix对象 生成ma

归一化（Normalization）是为了消除不同数据之间的量纲，方便数据比较和共同处理，比如在神经网络中，归一化可以加快训练网络的收敛性； 把数据变为（0，1）之间的小数，主要是为了方便数据处理，因为将数据映射到0~1范围之内，可以使处理过程更加便捷、快速。 把有量纲表达式变换为无量纲表达式，成为纯量。经过归一化处理的数据，处于同一数量级，可以消除指标之间量纲和量纲单位的影响，提高不同数据指标之间的可比性。 主要算法：线性转换，即min-max归一化（常用方法　y=(x-min)/(max-min)