从SVM过来发现在选择特征的时候需要用到PCA,这样选的特征就有很好的区分度,更容易进行预测工作。
摸索了好几天,其实是拖延了好几天。
终于认为我行了。。写一下理解后的心得
首先膜拜下大神,看一下这个链接
https://zhuanlan.zhihu.com/p/77151308
上面写的很全面了,从基变换到协方差矩阵对角化说的很清楚。
我再捋一遍PCA求解步骤:
设有 m 条 n 维数据。
1、将原始数据按列组成 n 行 m 列矩阵 X;
2、将 X 的每一行进行零均值化,即减去这一行的均值;
3、求出协方差矩阵 C = 1 m X X T C=\frac{1}{m}XX^T C
PCA学习过程(一、原理)
最新推荐文章于 2021-10-26 15:30:27 发布
本文介绍了PCA(主成分分析)的学习心得,包括PCA的求解步骤:数据零均值化、计算协方差矩阵、求解特征值与特征向量、选择主成分等。讨论了使用协方差矩阵的特征向量作为投影矩阵的原因,以及去均值的必要性,强调了数学在PCA中的关键作用。
摘要由CSDN通过智能技术生成