主成分分析逆变换_主成分分析方法操作

最新推荐文章于 2021-02-05 03:43:34 发布
最新推荐文章于 2021-02-05 03:43:34 发布
阅读量1.2k 收藏 1
点赞数
文章标签： 主成分分析逆变换
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/weixin_39602615/article/details/111849106
版权
本文介绍了ENVI中的主成分分析（PCA），它通过坐标轴旋转来最大化数据方差，生成互不相关的输出波段，以减少数据集的维数和隔离噪声。PCA正向旋转利用统计信息进行线性变换，可以选择计算新的统计值或基于已有的进行旋转。同时，文章提到ENVI还支持逆向PC旋转，并提供了详细的操作步骤。
摘要由CSDN通过智能技术生成

ENVI

主成分分析

(PCA)

是通过使用

Principal Components

选项生成互不相关的输出波段，

达到

隔离噪声和减少数据集的维数的方法。

由于多波段数据经常是高度相关的，主成分变换寻

找一个原点在数据均值的新的坐标系统，通过坐标轴的旋转来使数据的方差达到最大

ENVI

主成分分析

(PCA)

是通过使用

Principal

Components

选项生成互不相关的输出波段，达

到隔离噪声和减少数据集的维数的方法。

由于多波段数据经常是高度相关的，

主成分变换寻找一个原点在数据均值的新的坐标系

统，通过坐标轴的旋转来使数据的方差达到最大，从而生成互不相关的输出波段。

主成分

(

PC

)

波段是原始波谱波段的线性合成，

它们之间是互不相关的。

可以计算输出

主成分波段(与输入的波谱波段数相同)。

第一主成分包含最大的数据方差百分比，

第二主成分包含第二大的方差，

以此类推，

最

后的主成分波段由于包含很小的方差(大多数由原始波谱的噪声引起)，因此显示为噪声。

由于数据的不相关，主成分波段可以生成更多种颜色的彩色合成图像。

ENVI

能完成正向和逆向的主成分(

PC

)旋转。

1.

正向主成分(

最低0.47元/天 解锁文章
weixin_39602615
关注
python数据分析实战-在线零售业务的交易-电商平台零售数据分析（附源代码）
梁先森的博客
02-23 4506
电商平台零售数据分析 前面的博客中已经有使用在线零售业务数据进行数据分析，但是在这一篇，我们以不同的角度重新对这些数据进行分析。 数据来源及数据结构 国外的在线零售业务的交易数据，数据下载地址 现在以表格的形式解释一下里面的字段： 字段 说明 InvoiceNo 订单编号，含有6个整数，退货订单编号开头有字母C StockCode 产品编号，由5个整数构成 Descri...
【python数据分析】零售场景(附数据集链接)
weixin_44592762的博客
05-26 745
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、探索性数据分析1.是否存在空值或异常值，如何处理2.有变量需要转换数据类型吗3.对于给定的数据，你是否可以设计一些有用的变量?4.你注意到数据中有什么异常吗?二、请以回归的形式运行统计测试，以回答这些问题，并向CMO提出数据驱动的行动建议。一定要用非统计术语来解释你的结果，这样你的CMO才能理解你的发现。1.引入库2.读入数据总结 前言 总体目标:你是一名营销分析师，首席营销官告诉你，最近的营销活动没有预期的那么有效。您.
主成分分析逆变换_主成分分析(PCA)（转）
weixin_36243739的博客
12-31 1009
主成分分析(Principal Component Analysis，简称PCA)它是一种通用的降维工具。在我们处理高维数据的时候，为了能降低后续计算的复杂度，在“预处理”阶段通常要先对原始数据进行降维本质上讲，PCA就是将高维的数据通过线性变换投影到低维空间上去，但这个投影可不是随便投投，要遵循一个指导思想，那就是：找出最能够代表原始数据的投影方法。这里怎么理解这个思想呢？“最能代表原始数据”希...
主成分分析逆变换_实验四主成分变换与逆变换
weixin_39597868的博客
12-22 1075
1实验四主成分变换和主成分逆变换一实验目的通过本次实习操作，了解遥感图像主成分变换和主成分逆变换的原理和基本变换过程，掌握有关变换操作的基本方法和步骤，深刻理解遥感图像主成分变换和主成分逆变换的意义并对结果进行比较分析。二实验原理K-L变换是离散Karhunen-Loeve变换的简称，又常称作主成份变换(PrincipalComponentAnalysis)。它是对某一多光谱图像X，利用K-L变...
使用python来实现零售行业的数据分析 : EDA+TF-IDF+t-SNE+K-Means+LDA(干货)
weixin_42608414的博客
03-13 5811
当今电子商务已经非常普及,网上购物已经成为人们生活的一部分,电商网站上的商品数量已经呈现几何级的增长.伴随着在线的商品数量的增长,商品的定价越来越成为一个问题。比如服装的价格会呈现出季节性的变化趋势，而且受品牌的影响很大，而电子产品的价格则根据产品规格而波动。 Mercari是一个日本C2C二手交易平台。他们们深深地了解零售商品定价这个问题。他们想向卖家提供定价建议，但这很难，因为他们的卖家可以...
pca主成分分析结果解释_降维：主成分分析（PCA）
weixin_39753211的博客
10-22 1341
用于降维的PCA算法的设计原理及其从头开始在Python中的实现介绍借助高性能CPU和GPU的可用性，几乎可以使用机器学习和深度学习模型解决所有回归，分类，聚类和其他相关问题。但是，在开发此类模型时，仍有许多部分会导致性能瓶颈。数据集中的大量特征是影响训练时间以及机器学习模型准确性的主要因素之一。维数的诅咒在机器学习中，“维数”仅指数据集中特征(即输入变量)的数量。尽管如果我们添加其他特征/维度，...
主成分分析逆变换_主成分分析(PCA)原理及推导 (转)
weixin_30781567的博客
12-31 1494
什么是PCA？在数据挖掘或者图像处理等领域经常会用到主成分分析，这样做的好处是使要分析的数据的维度降低了，但是数据的主要信息还能保留下来，并且，这些变换后的维两两不相关！至于为什么？那就接着往下看。在本文中，将会很详细的解答这些问题：PCA、SVD、特征值、奇异值、特征向量这些关键词是怎么联系到一起的？又是如何在一个矩阵上体现出来？它们如何决定着一个矩阵的性质？能不能用一种直观又容易理解的方式描述...
主成分分析逆变换_4遥感图像变换——主成分分析.doc
weixin_35176891的博客
02-05 1416
4遥感图像变换——主成分分析实验四 遥感图像变换——主成分分析一、主成分分析的思想与原理主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。在实证问题研究中，为了全面、系统地分析问题，必须考虑众多影响因素。这些涉及的因素一般称为指标，在多元统计分析中也称为变量。因为每个变量都在不同程度上反映了所研究问题的某些信息，并且指标之间彼此有一定的相关性，因而所得的统计数据反映...
主成分分析降维代码（直接调用版）_主成分分析降维代码_降维_
09-28
主成分分析（Principal Component Analysis，PCA）是一种广泛应用的数据分析方法，尤其在高维数据的处理中，用于将原始数据转换到一个新的坐标系统中，使得新坐标系中的各个维度是原始数据集方差最大的方向。...
ENVI5.3.1使用Landsat 8影像进行主成分分析实例操作_PeanutbutterBoh的博客-CSDN博客_envi主成分分析.pdf
03-30
ENVI5.3.1使用Landsat 8影像进行预处理及分析实例操作 主成分分析直接在裁剪后的新郑市区域进行操作。 导入新郑市区域的影像subsect_xinzheng.dat，在工具箱中选择Transform——PCA Rotation——Forward PCA Rotation New Statics and Rotate工具。在弹出的对话框中选择影像数据。点击OK后出现Forward PC Parameters对话框。其中Stats X/Y Resize Factor系数用于计算统计值时的数据重采样，如果系数小于1会加 快计算速度。这里设置为默认。
Online Retail Business网上零售业务-数据集
03-11
这是零售企业在线订单的数据集。这些行代表所进行的每个订单的交易。我们的工作是找出如何深入研究此数据集，以使零售业务做出战略性业务决策的意义。数据集有6000行。 OnlineRetail.csv
主成分分析法（PCA）
09-04
本课件详细的介绍了主成分分析法，值得读读。
主特征分析（PCA）解析
03-21
PCA讲解的很透彻，还有实例代码，简单易懂
主成分分析逆变换_通俗易懂的讲解奇异值分解(SVD)和主成分分析(PCA)
weixin_39849762的博客
12-22 382
图片来自Unsplash上的Dave0.本教程包含以下内容特征分解对称矩阵的特征分解奇异值分解(The Singular Value Decomposition，SVD)主成分分析(Principal Component Analysis ，PCA)——特征提取1.特征分解首先，我们简单回顾下特征值和特征向量的定义。在几何学中，矩阵A的特征向量是指一个经过与矩阵A变换后方向保持不变的向量(其中，假...
利用Python进行数据分析之超市零售分析
Bryce230的博客
07-27 1万+
Author Bryce230 e-mail iswangjt@163.com Software win10，Pycharm2019.3.3，Python3.7.7，jupyter notebook 超市零售数据分析1 背景与需求2 数据收集与整合3 数据清洗4 数据分析及可视化4.1 销售情况分析4.1.1 销售额分析4.1.2 销量分析4.1.3 利润分析4.1.4 客单价分析4.1.5 市场布局分析4.2 商品情况分析4.2.1 销量前10名的商品4.2.2 销售额前10名的商...
主成分分析逆变换_主成分分析缨帽变换.docx
weixin_39614546的博客
12-22 3388
主成分分析缨帽变换主成分分析、缨帽变换主成分变换。 步骤如下：打开ENVI，打开南京市的遥感影像图。单击 Tranform-Principal Components--Forward PC Rotation--Compute New Statistics and Rotate,进行主成分分析。选择“南京市”遥感影像。图12．主成分变换前后的统计对比 单击Basic Tools--Statisti...
pca主成分分析结果解释_【PCA】主成分分析介绍
weixin_39846364的博客
11-21 796
进行数据分析时，原始数据通常多而杂，直接用并非一个好做法，往往费力不讨好。 通常可以使用数据降维的方法处理数据，然后再进行下一步。主成分分析（PCA）就是一个常用的降维方法。概念 主成分分析（Principal Component Analysis，PCA）是一种统计方法，通过正交变换将一组存在相关性的变量转换为一组线性无关的变量，转换后的这组变量就是主成分。 转换后的变...
ENVI实现遥感影像主成分分析（PCA）
热门推荐
qq_42840712的博客
12-05 2万+
ENVI 实现遥感影像主成分分析 主成分原理就不多给大家讲了，可以参考Python实现PCA，直接上操作步骤。 1、打开/加载影像（多波段影像） 2、进行主成分分析 选择Transform------>PCA Rotation------->Forward PCA Rotation New Statistics and Rotate: 3、点击OK： 4、设置输出文件位置，并设置主成分数目，这里默认为10，最后点击OK： 5、结果(各主成分累计方差情况) ...
图像主成分变换及其逆变换原理
最新发布
06-11
图像主成分分析（PCA）是一种常用的图像处理技术，可以通过对图像像素矩阵进行主成分分析，将图像从像素域转换到主成分域，实现图像压缩和降维的目的。主成分变换的本质是将原始图像的像素矩阵通过线性变换，转换成一个新的坐标系下的表示。这个新的坐标系是由图像像素矩阵的主成分构成的，每个主成分代表了图像中的一个重要特征。主成分变换的过程可以用以下步骤来描述： 1. 将图像像素矩阵按列排成一个向量，将这些向量按行组成一个矩阵。 2. 对这个矩阵进行中心化，即每一列减去该列的均值，得到一个新的矩阵。 3. 对新的矩阵进行奇异值分解（SVD），得到矩阵的特征值和特征向量。 4. 将特征值从大到小排序，选取前k个特征向量作为主成分，将原始图像像素矩阵通过这些主成分进行线性变换，得到一个k维的主成分表示。 5. 将主成分表示转换回原始像素空间，实现逆变换，即将k维主成分表示通过主成分向量的转置矩阵进行线性变换，得到原始像素矩阵的近似表示。 图像主成分变换能够有效地压缩图像信息和去除图像中的噪声，但也可能会造成一定的信息损失。
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