pca主成分分析_主成分分析（PCA)机器学习笔记

最新推荐文章于 2024-06-11 20:20:23 发布
最新推荐文章于 2024-06-11 20:20:23 发布
阅读量1.9k 收藏 14
点赞数 1
文章标签： pca主成分分析 对pca降维后的手写体数字图片数据分类
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_39766910/article/details/111288416
版权

Principal Component Analysis (PCA )被归类为机器学习十大算法之一。用于从一组较大的数据中识别少数的具有代表性的特征，即主成分。主成分分析是由卡尔·皮尔森(Karl Pearson)于1901年发明的一种用于预测模型和探索性数据分析的工具。主成分分析是一种有用的统计方法，现在广泛应用于图像压缩、人脸识别、神经科学和计算机图形学等领域。是不是没想到119年前的算法，到现在如此火爆吧！：)

PCA让我们使数据更容易探索和可视化。它是一种简单的非参数技术，用于从复杂和混乱的数据集中提取信息。现在是数据爆炸的年代，这种算法不火，还待何时！PCA的重点是在主成分最少的情况下得到最大的方差量。一旦在相关数据中发现了模式，还支持数据压缩。人们利用PCA来消除变量的数量，或者当与观测的数量相比有太多的预测因子时，或者为了避免多重共线性。它与典型相关分析密切相关，利用正交变换将包含相关变量的观测集转换为称为主成分的一组值。主成分分析中使用的主成分的数量小于或等于较小数量的观测值。主成分分析对原始变量的相对尺度很敏感。

主成分分析广泛应用于许多领域，如市场研究、社会科学和使用大数据集的行业。该技术还可以帮助提供原始数据的低维图像。在主成分分析的情况下，只需极小的努力，以减少复杂和混乱的数据集为简化有用的信息集。

让我们步入正题吧

从分析小白鼠的分类开始

7e9892fc79d50a690ec0baf20eb851fe.png

仍然是从简单到复杂的思路。

给出小白鼠的一种基因，一共6只小白鼠。

如何知道这些小白鼠应该属于几类小白鼠呢？

把给出的基因数据，画到图上。

很显然，4，5，6是一组，1，2，3是一组。因此分在一组的小白鼠，在给出的基因特征上，比较接近。

b6a9ab3eff5fbe036fec5727d05bf6ca.png

如果给出两种基因呢？继续把它们画到图上。分类也清晰可见！

b7296ac19bf7ffd2317a270d29eafb7b.png

如果给出三种基因呢？继续把它们画到图上。分类也清晰可见！

d604fd51c6d7b3900870c2832fdd0c95.png

如果给出四种基因呢？画不出来吧？怎么办？？？

f081685886a164e2f42482fdef53ac50.png

四维甚至更高维度

最低0.47元/天 解锁文章
weixin_39766910
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
主成分分析pc1pc2表示啥_PCA主成分分析
weixin_34226837的博客
01-30 2万+
主成分分析（ Principal Component Analysis, PCA） 是将原本鉴定到的所有代谢物重新线性组合，形成一组新的综合变量，同时根据所分析的问题从中选取2-3个综合变量，使它们尽可能多地反映原有变量的信息，从而达到降维的目的。同时，对代谢物进行主成分分析还能从总体上反应组间和组内的变异度。总体样本 PCA 分析采用 PCA 的方法观察所有各组样本之间的总体分布趋势，找出可能存...
主成分分析pc1pc2表示啥_主成分分析
weixin_36387422的博客
01-24 1万+
主成分分析和因子分析是统计学习中比较重要的知识点，然而相关的理论知识经常学了忘忘了学，所以还是在知乎写写增加一下印象吧。一.主成分分析的目的：将多个具有相关关系的变量综合成少数几个不相关的综合指标，以实现降维的目的。先从一个例子看起：假设一个50人的班级，在经过一次考试后，记录了每个同学的语文、数学、英语、物理、化学、生物的成绩，应该怎么去看每个同学在这次考试中的表现呢？通常班主任的做法是分别查看...
主成分分析PCA是PC1 还是PC1 + PC2
hx2024的博客
11-05 2317
看见文献里有使用 PCA=∑（PC1 + PC2），也有值描述PCA得分的。究竟应该怎么取计算PCA得分。。。。。。。关于PCA的步骤回顾：1，判断主成分的个数2，提取主成分3 ，主成分旋转4 ，获取主成分得分。
主成分分析（PCA）
最新发布
m0_74739796的博客
06-11 771
PCA（Principal Component Analysis），即主成分分析，是一种广泛使用的数据分析方法，特别在数据降维领域。PCA的主要思想是将原始的高维特征空间通过线性变换投射到一个新的低维特征空间上，同时尽量保持原始数据的方差，使得在新的低维空间中数据的差异性得以保留。
主成分分析
ykzcs2000的博客
12-14 1万+
PCA的几何解释平移（去中心化）、旋转坐标轴，找到主成分pc1和pc2。 PCA的思想很简单——减少数据集的特征数量，同时尽可能地保留信息。 如何得到这些包含最大差异性的主成分方向呢? 通过计算数据矩阵的协方差矩阵 然后得到协方差矩阵的特征值特征向量 选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。 这样就可以将数据矩阵转换到新的空间当中，实现数据特征的降维。 PCA的算法两种实现方法 (1) 基于SVD分解协方差矩阵实现PCA算法 第一步是均值归一化。 第二步是计算协方差矩阵。 第三步是
主成分分析（Principal Component Analysis，PCA）详解
热门推荐
小猪打呼噜
11-29 3万+
PCA是非常重要的统计方法，其实际应用非常广泛，但是很多讲解太过于公式化，很难让初学者消化，本文将从一个实际例子出发，并对数学公式原理及推导过程作出详细解释，即使你的数学基础比较差，在看完这篇博客之后，相信你会对PCA会有一个透彻的认知。
主成分分析_python_主成分分析_
09-28
4. **机器学习模型的预处理**：在构建机器学习模型时，PCA可以降低模型的过拟合风险，提高模型的泛化能力。 5. **图像压缩**：在计算机视觉领域，PCA可用于图像压缩，减少颜色通道的维度而不损失太多信息。 在实际...
机器学习实战笔记4——主成分分析
01-21
主成分分析(PCA) Ⅰ算法背景：维数灾难  维数灾难最早是由理查德·贝尔曼(Richard E. Bellman)在考虑优化问题时提出来的 ，它用来描述当(数学)空间维度增加时，分析和组织高维空间(通常有成百上千维)中的数据，因
PCA主成分分析Python代码实现,ipynb格式
05-31
资源详情可以看我的博客： 算法笔记（14）PCA主成分分析及Python代码实现 https://blog.csdn.net/li1873997/article/details/125030273
PCA.rar_pca 单片机
09-21
PCA在IT领域中通常指的是主成分分析（Principal Component Analysis），这是一种广泛应用的数据分析技术，尤其在统计学和机器学习中。然而，在单片机（Microcontroller）的上下文中，PCA可能是指Philips公司（现已被...
ICA.zip_ICA 机器学习_ICA笔记
09-21
与主成分分析（PCA）不同，ICA不仅关注降低数据维度，还强调找到这些源信号的独立性，即它们之间不存在任何线性关系。 **2. ICA的数学基础** ICA基于一个假设：观测数据是由多个未知的非高斯分布的独立源信号线性...
特征工程之PCA降维（主成分分析）总结
weixin_46713695的博客
07-18 7335
特征工程之PCA降维
数据分析：主成分分析（PCA）1
去向前方的博客
05-31 7718
目录： 前言 主成分分析 1K-L变换（卡洛南-洛伊（Karhunen-Loeve）变换）：最优正交变换 2pca分析 前言 怕什么真理无穷，进一寸有一寸的欢喜——胡适 学以致用，以学促用。 最近在分析数据，发现几大分析方法，PCA，ICA，CCA，又因为光学是没用的，还要有输出检验，因此，开始写这个系列的帖子了。 主成分分析 之前对PCA算法有过一段...
主成分分析PCA并给出解释百分比
邓飞----育种数据分析之放飞自我
11-09 6049
出图：包括PC1和PC2的散点图，以及PC1和PC2的解释百分比。
PCA（主成分分析）的理解与应用（学习笔记）
绯雨千叶的博客
02-20 1万+
关于PAC的一些理解与学习心得
5分钟内可视化解释PCA（主成分分析）
iqifenxia的博客
12-13 2447
　　尺寸超过3个时创建2D图表 　　 　　> Photo by Steve Johnson from Pexels 　　每个人都了解一个好的图表。 　　但是，我们如何显示4维以上的数据？ 　　一维可视化集群是小菜一碟。 　　 　　> Too easy 　　在二维中查找聚类很容易。 　　 　　> Easy 　　看到3维的星团……开始糟透了。 我们可以编辑节点大小或不透明度来区分第三维。 　　 　　> Not so easy 　　5维？ 忘..
PCA分析（主成分分析）--结果解读
qq_72899974的博客
03-11 3万+
补充：主成分的个数都是自己预先色设定好的，比如三种鲜花中的数据分别包含其花瓣长度、宽度、叶片长度、宽度等数十个指标，但其主成分为3个，即为其鲜花种类。贡献率：是指某个组成份方差除以所有主成分的方差之和，其具有最大贡献率的为PC1依次类推。得分图是最常用的主成分分析的图，对于一些较好的结果能够将不同的散点进行聚集并将同类型的散点看为一个整体，如上图所示一共三个整体，粉色整体与其余两个整体相距较远，因此分别与二则差异显著，而绿色和紫色整体间部分重叠即相聚较近因此样本点9的相似度较高，差异不显著。
PCA降维（主成分分析法）
CSTGYinZong的博客
09-28 4725
如图，红色虚线是新的坐标轴，我们叫它PC1；但是我们将数据投影在新的坐标轴上，就是为了能用尽可能少的特征来表达整个数据的信息。（2）当：各个属性单位不同时，（比如，一个是kg，一个是米）这个时候，由于单位不同，协方差不表示相关程度，这时候，我们就要使用相关系数来进行描述。新坐标轴，旧坐标轴的讨论好麻烦，我们直接把数据去中心化（就是数据的均值在远点上）。（1）当：各个属性单位相同时（比如，都是kg，都是米），各个属性是可比较的。举个数据是二维的李子，我们将原始数据（蓝点）投影到新的最标轴上（黄蓝十字线）。
浅显易懂的PCA（主成分分析），没有繁杂的矩阵公式
Savingme的博客
08-16 3529
第一步 给出一个二维数据： 通过计算各点到轴的平均长度，定位原点，下图中，蓝色的X既是后面要用到的原点。 第二步，寻找拟合线 在原点处随意绘制一条直线，然后计算各点投影到该线上的距离的平方和，然后不断旋转该线，直至投影的平方和最大为止，如图，d1,d2分别是投影后的距离长度。此处把这条拟合线称为PC1。 第三步，通过PC1的斜率来计算特征向量和特征值 在PC1上单位化后的向量就称为特征向量，如下图，PC1的斜率为0.25，即黑色的4和1两个向量可以组成PC1上的向量，那也就意味着数据大部分是沿着Gen
Notes on Dimensional Reduction (including PCA)
10-15
Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA) Notes on Dimensional Reduction (including PCA)

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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