类内与类间散度矩阵

最新推荐文章于 2022-11-08 20:16:19 发布
最新推荐文章于 2022-11-08 20:16:19 发布
阅读量3.8k 收藏 3
点赞数
文章标签： 机器学习 深度学习 神经网络 tensorflow python
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/wansui60/article/details/106459208
版权
本文深入探讨了类内与类间散度矩阵的概念，它们在机器学习，尤其是深度学习中作为衡量数据分布和模型性能的重要指标。通过实例分析，解释了如何在TensorFlow和Python环境中计算这些矩阵，并阐述了它们如何影响神经网络的训练和分类效果。
摘要由CSDN通过智能技术生成 
def cacuSW(train_face,k):
#train_face：行为样本，所有训练图像组成的矩阵，每个类别有k个图像为训练
    sw=np.zeros([train_face.shape[1],train_face.shape[1]])
    meanlei=np.zeros([40,10304])
最低0.47元/天 解锁文章
金金K
关注
类内和类间散布矩阵：该函数计算两个重要的矩阵，内（W）和之间（B）散布矩阵-matlab开发
06-01
**** 功能更正的评论**** 函数将矩阵作为输入并计算两个重要的矩阵，即内 (W) 和之间 (B) 类散布矩阵。 在统计学习领域非常有用。
详解线性判别分析(LDA)
yellowetao的博客
10-04 3926
本文着重于思想的理解与公式的推导~ Linear Discriminant Analysis（LDA）是一种经典的线性学习方法，亦称“Fisher判别分析法” 注意：本文中的 基本思想： 找到一条直线（低维空间），使得将平面（高维空间）中的样本点投影到直线（低维空间）中，尽量使得同类样本点接近，异类样本点远离，判断新样本：当将新样本投影后，根据其投影后的位置判断其类别。 投影： 什么叫样本点投影到直线上：将点（原点指向样本点的向量）投影...
类间散度矩阵和类内散度矩阵
心旷神怡
08-03 3万+
计算类内散度矩阵和类间散度矩阵实例
m0_62879974的博客
10-10 1万+
计算类内散度矩阵和类间散度矩阵实例
机器学习——LDA
yaochen2507的博客
06-22 1296
步骤： 1 计算类内散度矩阵 2 计算类间散度矩阵 3 计算矩阵 4计算矩阵的最大值的d个特征值 5 计算d个特征值对应的d个特征向量，计算投影矩阵为W 6 输出新样本集={(p1,y1),(p2,y2)...(pm,ym)} 具体推导： 定义： j 类样本个数 j 类样本集合 j 类样本均值j 类协方差矩阵 均值 ...
LDA.zip_lda_最大最小距离_类间
09-23
最大最小距离是指在投影后的空间中，类间距离与类内距离的比率最大化。类间距离通常由所有类别中心之间的最大欧氏距离表示，而类内距离则用所有样本到其所属类别中心的平均距离来衡量。通过最大化这个比率，LDA可以...
算法源码-分类与判别：基于Fisher算法的分类程序.zip
06-06
类间散度矩阵反映不同类别间的差异，类内散度矩阵则表示同一类别内的数据点的分布情况。 3. **线性判别函数**：Fisher算法寻找一个线性判别函数，使得数据点投影到这个函数上后，各个类别的区分度最大。这个函数通常...
LDA.zip_LDA基本思想_fisher 类内类间_lda_内类离散度_类内类间
09-22
最大化这个比值意味着我们找到了一个方向，在这个方向上，类间的差异最大而类内的差异最小。这通常会导致最佳的分类性能。 **类内离散度与类间离散度** 类内离散度衡量的是同一类别内样本点的分布紧密程度。如果类...
判别函数（三）之Fisher线性判别
热门推荐
Cherish__it的博客
01-18 4万+
应用统计方法解决模式识别问题时，一再碰到的问题之一就是维数问题。在低维空间里解析上或计算上行得通的方法，在高维空间里往往行不通。因此，降低维数有时就会成为处理实际问题的关键。
LDA中的三个散度矩阵
cj_to_niu
05-07 2593
转载出处：https://blog.csdn.net/Oxalis_Triangularis/article/details/47420521LDA中的三个散度矩阵在学习LDA（Linear Discriminate Analysis）的时候接触到了散度矩阵的概念，并且很多文章提到到混合散度矩阵等于类间散度矩阵与类内散度矩阵之和。我自己证明了一下。总体散度矩阵（total scatter matr...
matlab类间散度矩阵,协方差矩阵和散布矩阵（散度矩阵）的意义
weixin_34625578的博客
03-17 3205
在机器学习模式识别相关算法中，经常需要求样本的协方差矩阵C和散布矩阵S。如在PCA主成分分析中，就需要计算样本的散度矩阵，而有的教材资料是计算协方差矩阵。实质上协方差矩阵和散度矩阵的意义就是一样的，散布矩阵(散度矩阵)前乘以系数1/(n-1)就可以得到协方差矩阵了。在模式识别的教程中，散布矩阵也称为散度矩阵，有的也称为类内离散度矩阵或者类内离差阵，用一个等式关系可表示为：关系：散度矩阵=类内离散度...
2020-05-07
耶耶耶的博客
05-07 960
人工智能与机器学习第10周 在理解Fisher线性分类的参考文件的代码基础上（matlab代码），改用python代码完成Fisher判别的推导。重点理解“群内离散度”（样本类内离散矩阵）、“群间离散度”（总类内离散矩阵）的概念和几何意义 基本概念 “群内离散度”要求的是距离越远越好;而"群间离散度”的距离越近越好由.上可知:“群内离散 度”(样本类内离散矩阵)的计算公式为因为每一个样本有多维数据...
模式识别（Pattern Recognition）学习笔记（八）--Fisher线性判别分析
凌桑的自我修养--You are the Eternity
05-18 4689
线性判别分析（Linear Discriminant Analysis）由Fisher与1936年提出，示线性判别方法中最具代表性的一种，简称LDA，又叫Fisher判别。 为了更好的引出Fisher判别，同样这里拿两类问题来话明，并换一个角度来考虑：遇到两类问题时，我们要想把他们区分开，很明显的就是找到他们之间的分界线，这个分界线有很多，但我们却总能够一眼看出最最合适的那一条，如果我们作出这条
机器学习——经典降维算法与框架综述
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
11-08 6021
在本文中，我们总结了机器学习和模式识别领域的经典降维算法和降维框架。降维算法部分包括各种经典算法的原理、公式推导和算法过程，以及它们在线性降维、流形学习、核方法（监督、无监督和半监督）中的优化算法。 降维框架部分将各经典降维方法分别统一在图嵌入框架和半监督框架这两个经典降维框架的视角下，并以此探讨和分析了降维框架的设计和构建方法，分析了以降维框架为平台开发新算法的步骤。 此外，通过降维算法和降维框架在不同任务的数据集实验中的应用以及实验结果的统计分析比较，说明了各算法和框架之间的联系和区别。
人工智能学习笔记 Fisher 线性分类器的设计与实现 实例1
qq_53680405的博客
11-01 2964
学习来源： 线性判别分析LDA原理总结 - 刘建平Pinard - 博客园 Fisher 线性分类器的设计与实现_海绵的博客-CSDN博客 一、实验内容 二、基本思想 若把样本的多维特征空间的点投影到一条直线上，就能把特征空间压缩成一维。那么关 键就是找到这条直线的方向，找得好，分得好，找不好，就混在一起。因此 fisher 方法目标 就是找到这个最好的直线方向以及如何实现向最好方向投影的变换。这个投影变换恰是我们 所寻求的解向量 ，这是 fis...
DeepID2文章加深理解
yjiejie7758的博客
07-13 2950
最近在研究DeepID,这篇博文是本人对DeepID2的原文翻译+加深理解，如果有错误与不足之处请大神们不吝赐教！ 若有不懂还可以参考雨石大神的博客：http://blog.csdn.net/stdcoutzyx/article/details/41497545
线性判别分析(Linear Discriminant Analysis, LDA）(含类内散度矩阵 类间散度矩阵 全局散度矩阵推导
0ng的博客
04-09 9231
LDA算法概述： 线性判别式分析(Linear Discriminant Analysis, LDA)，也叫做Fisher线性判别(Fisher Linear Discriminant ,FLD)，是模式识别的经典算法，它是在1996年由Belhumeur引入模式识别和人工智能领域的。性鉴别分析的基本思想是将高维的模式样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后...
协方差矩阵和散布矩阵（散度矩阵）的意义
AI吃大瓜的博客
03-31 4万+
协方差矩阵和散布矩阵的意义 在机器学习模式识别中，经常需要应用到协方差矩阵C和散布矩阵S。如在PCA主成分分析中，需要计算样本的散度矩阵，有的论文是计算协方差矩阵。实质上二者意义差不多，散布矩阵（散度矩阵）前乘以系数1/(n-1)就可以得到协方差矩阵了。 在模式识别的教程中，散布矩阵也称为散度矩阵，有的也称为类内离散度矩阵或者类内离差阵，用一个等式关系可表示为： 关系：散度矩阵=类内离散度矩阵=类内离差阵=协方差矩阵×（n-1） 样本的协方差矩阵乘以n-1倍即为散布矩阵，n表示样本
类间散度矩阵的实现，类内散度矩阵的实现代码
最新发布
12-01
类间散度矩阵（Class-to-Class Distance Matrix）通常用于衡量不同类别之间的差异，比如在聚类分析中，它可以帮助我们理解各簇间的相似度。这种矩阵通常是通过计算每个类别向量的平均值，然后计算这些平均向量之间的距离来构建的。 类内散度矩阵（Intra-Class Distance Matrix），则关注的是同一类别内部数据点的距离，常用于评估数据集内部的多样性。在Python中，我们可以使用sklearn库来实现这个过程，例如使用`pairwise_distances`函数结合`KMeans`的`inertia_`属性（即簇内的平方误差和）： ```python from sklearn.metrics.pairwise import euclidean_distances from sklearn.cluster import KMeans # 假设X是一个二维数组，表示数据集 X = ... # 创建KMeans模型 kmeans = KMeans(n_clusters=n_classes) # 训练并获取类中心 centroids = kmeans.fit_predict(X) class_centers = kmeans.cluster_centers_ # 计算类内散度矩阵 intra_class_distance = euclidean_distances(class_centers[class_centers != -1], class_centers[class_centers == -1]) # 或者如果你想要基于样本的类内距离，可以这样： intra_sample_distance = euclidean_distances(X[kmeans.labels_ != -1], X[kmeans.labels_ == -1]) ``` 这里，`euclidean_distances`计算了两个集合之间的欧氏距离，`cluster_centers_`返回的是每个类别的中心点。如果分类结果中存在未被分配到任何类别的样本（`labels_==-1`），它们不会参与类内散度计算。
评论
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