PCA（主成分分析）是一种数据降维技术，用于去除噪声和减少计算开销。本文介绍了PCA的基本思路，包括数据的零均值化、协方差矩阵计算、特征值和特征向量求解，以及如何选择保留的主成分。并通过Python代码展示了PCA的实现过程。
基本思路：
(1)对所有的样本进行demean处理。
(2)梯度上升法求系数。注意：和线性回归不同点。
每次求一个单位向量；初始化w不能为0向量；不能使用sklearn进行标准化了。
(3)批量和随机梯度同样适用梯度上升法。
(4) 第一主成分和后续主成分。先将数据进行改变，将数据在第一主分上的分量去掉。
在新的数据上求第二主成分。这是循环往复过程。
一、PCA算法简介
主成分分析（Principal Components Analysis），简称为：PCA，是一种常见的数据降维技术，用于数据预处理的非常好的工具。一般我们获取的原始数据维度都很高，比如图像文件，几百上千个特征维度值已经很正常。但实际上，这些高维度数据不但含有很多的噪声，还存在很多维度数据存在冗余，也就是相关性太高，真正能用到的特征数据也就是几十个上百个，这样在实际进行机器学习算法过程中，通过PCA，可以大大减少运算量，节约计算时间，并且还能够达到同样的处理效果。
主要原因如下：
数据更易使用
降低很多算法的计算开销
去除噪声
使得结果更容易解读
二、PCA算法实现
最低0.47元/天 解锁文章
8293
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
