PCA降维

最新推荐文章于 2024-09-17 23:15:58 发布
最新推荐文章于 2024-09-17 23:15:58 发布
阅读量81 收藏
点赞数
分类专栏： 机器学习/深度学习 文章标签： python 机器学习 人工智能
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_43808604/article/details/129224665
版权

https://www.bilibili.com/video/BV1E5411E71z/?spm_id_from=333.337.search-card.all.click&vd_source=4c51be19a84fa27a6d88c6cba960f8dd在这里插入图片描述
在这里插入图片描述

如何找到最好的PCA坐标

  1. 新建一个自定义坐标轴，对所有点进行投影，同时只保存投影在x轴上的数值。
  2. 将二维的数据降到一维，取保存信息最多时候的坐标轴，此时数据的投影最为分散
  3. 选定的坐标轴上的一个方向的数据点方差要最大

如何建立PCA坐标

  1. 数据去中心化（同时进行线性变换–旋转和拉伸）在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    协方差代表什么，代表两个向量在变化过程中是同方向变化还是反方向变化，同方向和反方向的程度如何，计算公式为
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

    在这里插入图片描述

PCA的缺点

  1. 离群点对整个的影响比较大
    在这里插入图片描述
勤奋的山芋
关注
专栏目录
主成分分析（PCA）原理详解
Microstrong
06-09 65万+
“微信公众号”本文同步更新在我的微信公众号里，地址：https://mp.weixin.qq.com/s/Xt1vLQfB20rTmtLjiLsmww本文同步更新在我的知乎专栏里面：主成分分析（PCA）原理详解 - Microstrong的文章 - 知乎https://zhuanlan.zhihu.com/p/377770741.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...
PCA+mnist_PCA降维；KNN分类；mnist手写体_pypcaminist_K._python_MNIST降维_
10-03
在100维特征空间中，KNN算法能够以超过97%的准确率识别MNIST数据集的手写数字，这表明PCA降维后的特征仍然保留了足够的信息来进行高精度的分类。 `pca.py`是实现PCA和KNN算法的Python脚本。在这个脚本中，可能会...
PCA中的去中心化处理如何理解？
weixin_44943389的博客
12-25 755
在主成分分析（Principal Component Analysis，PCA）中，“去中心化”（centering）通常指的是在进行数据处理之前，通过减去每个特征的均值，将数据集的中心移动到原点。在PCA中，通过去中心化，我们可以更好地理解数据的变异性，并找到数据中的主成分，即最大方差的方向。在去中心化处理中，我们计算每个特征的均值，然后从数据中减去相应的均值。在PCA中，去中心化处理通常是在协方差矩阵的计算之前进行的，以确保主成分是基于原始数据的变异性而不是均值的变异性。
自己实现降维之PCA
Mr_tianyanxiaobai的博客
07-29 271
PCA降维，具体步骤如下： 1.对所有样本去中心化处理（标准化）：每个属性的值减去该列属性值的平均值 2.计算样本的协方差矩阵 X*X.T 3.对协方差矩阵进行特征分解 4取最大的n个特征值 我自己写的代码如下： def PCA_my(self, attributes, compents): #对x进行去中心化处理 ss = StandardS...
机器学习算法 | PCA（主成分分析）降维算法
yuanCruise
06-27 3124
一：PCA算法目的 根据样本矩阵X={x1，x2,…, Xm}，以及当前样本空间中样本个数N，求得样本协方差矩阵XXT，中的最大的K个特征向量，并且利用这K个特征向量组成的矩阵进行低纬度降维，实现数据的主成分分析。 二：PCA降维的整体步骤 （1）对原始数据减去平均值，实现去中心化。 （2）求出样本空间中N个样本的样本协方差矩阵（XXT）。 （3）利用SVD奇异值分解（适用于任意矩阵） 或 特征值分解（只适用于方阵）对样本协方差矩阵进行特征向量，特征值的分解。 （4）对特征值进行降序排列，选出最大的K个，并
pca降维
m0_73116466的博客
06-17 261
主成分分析（PCA）是一种统计方法，它通过正交变换将一组可能相关的变量转换成一组线性不相关的变量，这些不相关变量称为主成分。PCA 常用于降维，即在保留数据集中大部分变异性的同时减少数据的维数。
PCA降维算法
ayongshi2019的博客
06-16 1710
PCA（主成分分析）的优点包括：降维效果显著：PCA能够有效减少数据集的维度，使得数据更易于可视化和处理，同时降低计算复杂度和存储需求。去除冗余信息：通过识别数据中的主要变化方向，PCA能够剔除高度相关的特征，减少数据中的冗余信息。噪声抑制：在降维过程中，PCA倾向于突出数据的主要变化趋势，从而能够在一定程度上减弱噪声的影响。特征正交：得到的主成分彼此正交，这意味着它们之间没有冗余信息，便于独立分析各主成分的重要性。
【机器学习】机器学习之PCA降维
热门推荐
朝花夕拾
11-17 2万+
本次实验成功实现了人脸识别的核心步骤，运用机器学习算法进行全面学习与应用。首先，通过fetch_olivetti_faces函数加载人脸数据集，并通过PCA算法将数据降维至50维。随后，进行降维后数据的逆转换，得到了重建后的人脸数据，实现了维度还原。在实验过程中，随机选择了一张人脸图片，展示了原始、重建以及模糊后的人脸图像，生动呈现了降维对图像的影响。
pca降维python实例_Python实现PCA降维
weixin_39636102的博客
12-03 947
特征降维之PCA特征降维是无监督学习的另一个应用，在图像识别方面，经常会遇到特征维度非常高的训练样本(像素矩阵)时，很难提供数据展现，训练学习模型也很耗时耗力，特征降维不仅重构了有效的低维度特征向量，也为数据展现提供了可能，其中主成分分析(Principal Component Analysis)是应用最广泛的特征降维技术。PCA简单来说，是一种特征选择(重构)手段，将原来的特征空间做了映射，使得...
PCA降维原理
L__ear的博客
01-16 2610
PCA 简介 主成分分析（PCA）是最流行的降维算法，通过把数据从高维映射到低维来降低特征维度，同时保留尽可能多的信息。 在进行图像识别以及高维度数据降维处理中有很强的应用性，算法主要通过计算，选择特征值较大的特征向量来对原始数据进行基变换，不仅可以去除无用的噪声，还能减少计算量；广泛应用于降维、有损数据压缩、特征提取、数据可视化等领域。 三个数学概念 方差：衡量变量的离散程度。 协方差：衡量两...
pca降维,pca降维的原理及步骤,matlab
09-10
PCA降维的原理基于以下几点： 1. **数据标准化**：在进行PCA之前，通常需要对数据进行预处理，包括去除均值（使数据零均值化）和标准化（使数据具有相同的尺度），这样可以避免因特征尺度不同而导致的权重不平等...
基于SVD分解的PCA降维图像重建MATLAB仿真+仿真操作录像
10-17
1.版本：matlab2021a，我录制了仿真操作录像，可以跟着操作出仿真...2.领域：PCA降维图像重建 3.内容：基于SVD分解的PCA降维图像重建MATLAB仿真,并输出不同降维程度的图像重建效果 4.适合人群：本，硕等教研学习使用
利用PCA降维方法处理高光谱图像（matlab）
10-09
PCA，即主成分分析（Principal Component Analysis），是一种常见的数据分析方法，用于降低数据的维度并提取主要特征。在高光谱图像处理中，PCA被广泛应用于解决数据的高维性和相关性问题，它能够将原始的高维数据...
无监督学习PCA降维处理和K-means聚类
01-20
– 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，在此过程中可能会舍弃原有数据、创造新的变量 ·作用：是数据维散压缩，尽...
Python世界：力扣29题两数相除算法实践
来知晓的博客
09-13 424
除法运算本质是减法，从理解原理到真正实现还是有距离，建议初步理解后，不参考任何代码，完全自己复现一遍，体会更深。注意提示：目的就是提醒越界问题：-2^31/-1=2&31，超过了整数表达范围。本问题来自于力扣29题，在做完大数相乘后，顺带也看下两数相除。将两数相除，要求不使用乘法、除法和 mod 运算符。给定两个整数，被除数。
[Python数据可视化]Plotly Express: 地图数据可视化的魅力
最新发布
William数据分析的博客
09-17 429
在数据分析和可视化的世界中，地图数据可视化是一个强大而直观的工具，它可以帮助我们更好地理解和解释地理数据。Python 的 Plotly Express 库提供了一个简单而强大的方式来创建各种地图。本文将通过一个简单的示例，展示如何使用 Plotly Express 来创建一个交互式的地图，并探讨其在地图数据可视化方面的应用。
Tcl lnit error: Can’t find a usable init.tcl in the following directories 问题解决
梦想闹钟
09-15 454
实际研究后发现，其实py2exe已经把打包需要的lib放在dist文件夹下了，但是打包后的程序运行后却没有去lib下找，而是去找系统自带的环境变量里找，所以找不到。这个问题出现在我用py2exe打包了一个包含tkinter的图形化界面，在当前电脑上运行无问题，在移动到新电脑上后提示报错、getcwd用于获取当前工作目录绝对路径，在设置环境的变量的时候它用的是绝对路径-所以也导致了在当前电脑上能用而移动后不能用。解决方法是在你的程序里重新设置下环境变量，而且是用相对路径的形式。
JUC从实战到源码：中断机制与API实现
qq_43843951的博客
09-12 1162
在Java中，线程中断是一种机制，用于通知线程应该停止当前正在执行的任务。中断通常用于协同线程之间的合作，以便让线程在适当的时候终止其工作，尤其是在长时间运行的任务或阻塞操作中。通过学了多线程以及synchronized的相关知识，接下来就到了学习线程中断知识。
PCA降维sklearn
10-07
PCA降维是一种常用的数据降维技术，它可以将高维的数据映射到低维空间中，同时保留原始数据的主要信息。在sklearn中，PCA降维算法被包括在decomposition模块中。PCA的降维过程可以简单概括为以下几个步骤： 1. 数据...
评论 1
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