主成分分析（PCA降维）

最新推荐文章于 2024-05-21 13:23:40 发布
最新推荐文章于 2024-05-21 13:23:40 发布
阅读量724 收藏 1
点赞数 2
分类专栏： # 周志华西瓜书
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_42676175/article/details/106157382
版权

降维：
LDA—了解
SVD—了解
PCA—重点
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述表示向量的时候是需要确定一组基的。
在这里插入图片描述基的模长是1
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述降维目标：尽量在投射点上分散，不重合；重合会丢失很多信息。
在这里插入图片描述在这里插入图片描述减去均值好处：5条数据都平面直角坐标系内
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述方差值越大越分散
在这里插入图片描述在这里插入图片描述在这里插入图片描述协方差—算相关性
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述补充：线性代数特征值，特征向量知识
eig:可以协方差矩阵的特征值和特征向量
在这里插入图片描述在这里插入图片描述在这里插入图片描述有协方差矩阵可以直接求出特征值和特征向量
在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述在这里插入图片描述降维：SVD；LDA。与PCA结果有区别

AppleYRY
关注
  • 2
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
降维-主成分分析(PCA)
AI_BigData_WH的博客
10-10 2397
主成分分析（Principal Components Analysis）是由Hotelling于1933年首先提出的。由于多个纬度变量之间往往存在着一定程度的相关性。人们自然希望通过线性组合的方式，从这些指标中尽可能快地提取信息。当这些纬度变量的第一个线性组合不能提取更多的信息时，再考虑用第二个线性组合继续这个提取的过程，……，直到提取足够多的信息为止。这就是主成分分析的思想。
主成分分析（PCA）
qq_20449731的博客
02-15 464
定义PCA的思想是将n维特征映射到k维上（k背景在机器学习过程中，第一步就是数据的处理。在大多数机器学习课程中，为了简化理解，前几节课都是只选取1~2个特征量。如此则引出问题，如果特征量多的话怎么办。在分析回归问题时，引入梯度下降法，该方法对于n个特征均成立。同时也发现，可以用矩阵的方式解出theta的值。不过强调了 **特征矩阵X的转制矩阵（XTX^T）与特征矩阵X的乘积要可逆。（当然利用Octa
人工智能（降维）——主成分分析（PCA)
weixin_46039719的博客
01-11 4801
目录 1 知识回顾 1.1 方差 1.2协方差 1.3特征向量和特征值 2 主要成份分析 2.1 数据降维 2.2主成分分析原理 2.3算法过程 3 参数说明 3.1sklearn.decomposition.PCA 3.2 PCA对象的方法 4 案例 5 Python代码实现 5.1 代码 5.2 结果 1 知识回顾 在介绍PCA的原理之前需要回顾涉及到的相关术语： • 方差 • 协方差 • 协方差矩阵 • 特征向量和特征值 ...
PCA（主成分分析）降维方法
热门推荐
qq_43363657的博客
01-09 1万+
一、降维 1）首先我们可以将数据以矩阵的形式表示出来，例如Xmxn，即m个数据样本，每个数据样本有n维度的特征（这个特征就是数字，n维特征就是n个数字表示了这个样本）。降维的目的就是减小n，比如降低维度到k（k<n）。 2）在二维上举例：我们用我们常用的坐标系，即（1，0）、（0，1）为基的坐标系，选取一组数据[ (-2，-2），（-1，-1）、（0，0）、（1，1）、（2，2）]，我们发现这组数据在坐标系上都处于一条直线上，就是y=x上。此时他的维度是二维的，但是我们把X、Y坐标轴逆时针旋转45度
PCA：主成分分析法——降维求解
最新发布
weixin_46052663的博客
05-21 1123
（1）、在主成分分析中，我们首先应保证所提取的前几个主成分的累计贡献率达到一个较高的水平（即变量降维后的信息量须保持在一个较高水平上），其次对这些被提取的主成分必须都能够给出符合实际背景和意义的解释（否则主成分将空有信息量而无实际含义）。（4）、 在综合评价函数中，各主成分的权数为其贡献率，它反映了该主成分包含原始数据的信息量占全部信息量的比重，这样确定权数是客观的、合理的，它克服了某些评价方法中认为确定权数的缺陷。%返回值s对应着式（26）中的Z矩阵,每一列都是对应变量的特征向量，t返回的是特征值。
秒懂数据降维——主成分分析PCA
gjinc的博客
06-20 4614
主成分分析（Principal Component Analysis，简称 PCA）是一种常用的数据降维方法，旨在通过将高维数据投影到低维空间中的主要方向来捕获数据的本质结构。主成分分析可用于降低数据的维度，压缩图像、音频和视频数据，去除冗余信息等。
PCA主成分分析（PCA降维）
褪色的博客
05-25 3965
PCA（Principal Components Analysis，主成分分析），作为一种降维技术，使数据更易用于分析数据集建立数据模型。PCA是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k（k
【主成分分析】详解常用的降维方法-主成分分析（PCA）算法
程序星空实验室
06-10 9600
主成分分析（PCA）是一种常用的无监督学习方法，利用正交变换把由线性相关变量表示的观测数据转换为几个由线性无关变量表示的数据。线性无关的变量称为主成分。主成分的个数通常小于原始变量的个数，所以PCA是一种降维算法。主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。.........
主成分分析PCA降维，BP神经网络回归预测 PCA-BP回归预测模型 多元回归预测 - Matlab主成分分析PCA降维，B
10-07
主成分分析PCA降维，BP神经网络回归预测。PCA-BP回归预测模型。 多元回归预测 | Matlab主成分分析PCA降维，BP神经网络回归预测。PCA-BP回归预测模型 评价指标包括:MAE、RMSE和R2等，代码质量极高，方便学习和替换...
主成分分析PCA降维，PLS偏小二乘回归预测 PCA-PLS回归预测模型 偏最小二乘回归（PLS）是一种监督式方法，包含了主
12-25
主成分分析PCA降维，PLS偏小二乘回归预测。PCA-PLS回归预测模型。 偏最小二乘回归（PLS）是一种监督式方法，包含了主成分分析、典型相关分析的思想。利用PLS降维的目的是使提取后得到的特征变量不仅能很好的概括...
Matlab主成分分析PCA降维，PLS偏最小二乘回归预测 PCA-PLS回归预测模型（Matlab完整源码和数据)
11-09
Matlab主成分分析PCA降维，PLS偏最小二乘回归预测。PCA-PLS回归预测模型（Matlab完整源码和数据) Matlab主成分分析PCA降维，PLS偏最小二乘回归预测。PCA-PLS回归预测模型（Matlab完整源码和数据) Matlab主成分分析...
pca.rar_pca降维_主成分分析_主成分降维_降维处理
09-19
标题中的"pca.rar_pca降维_主成分分析_主成分降维_降维处理"正是对PCA这一主题的概括，而"pca.m"可能是一个MATLAB脚本，用于执行PCA操作。 **PCA的基本原理** PCA的核心思想是将原始的多维数据转换到一个新的坐标...
Matlab主成分分析PCA降维结合BP神经网络回归预测，PCA-BP回归预测模型（Matlab完整程序和数据）
09-07
多元回归预测 | Matlab主成分分析PCA降维，BP神经网络回归预测。PCA-BP回归预测模型 评价指标包括:MAE、RMSE和R2等，代码质量极高，方便学习和替换数据。要求2018版本及以上。 多元回归预测 | Matlab主成分分析PCA...
主成分分析用于数据降维
weixin_71158509的博客
03-16 393
PCA的基本思想是将原始数据在新的坐标系下进行变换，使得新坐标系下的数据具有最大的方差。这意味着，通过主成分分析，我们可以找到数据中最重要的特征，并且可以将这些特征组合成更少的变量。数据降维是为了减少数据集中的特征数量，从而降低计算复杂度、减少存储空间、过滤噪声数据等目的。通过主成分分析，我们可以实现数据的降维，同时保留了大部分原始数据的信息。在降维后的数据中，每个样本只有两个特征，可以更加直观地表示数据。5. 将原始数据投影到选取的主成分上，得到降维后的数据。运行上述代码，将会输出降维后的数据。
主成分分析（PCA）实例讲解
qq_42928743的博客
04-02 3328
PCA原理及实例讲解
机器学习算法 | PCA（主成分分析）降维算法
yuanCruise
06-27 3084
一：PCA算法目的 根据样本矩阵X={x1，x2,…, Xm}，以及当前样本空间中样本个数N，求得样本协方差矩阵XXT，中的最大的K个特征向量，并且利用这K个特征向量组成的矩阵进行低纬度降维，实现数据的主成分分析。 二：PCA降维的整体步骤 （1）对原始数据减去平均值，实现去中心化。 （2）求出样本空间中N个样本的样本协方差矩阵（XXT）。 （3）利用SVD奇异值分解（适用于任意矩阵） 或 特征值分解（只适用于方阵）对样本协方差矩阵进行特征向量，特征值的分解。 （4）对特征值进行降序排列，选出最大的K个，并
降维算法之PCA(主成分分析)
SKIp121whats112的博客
02-08 5491
降维算法之PCA(主成分分析)
主成分分析（PCA）降维
m0_62501000的博客
12-31 2322
在机器学习和数据分析领域，主成分分析（PCA）是一种常用的降维技术，旨在减少数据维度并保留主要信息。通过将高维数据映射到低维空间，PCA使得数据更易于可视化、理解和处理。本文将深入探讨PCA的原理、应用和实现。通过去除冗余信息，减少数据的维度，提高计算效率和模型训练速度。选择主成分相当于选择了原始特征中最具代表性的信息，有助于提取关键特征。PCA可以帮助去除数据中的噪音，提高模型的鲁棒性。PCA基于线性变换，可能无法很好地处理非线性关系。对异常值敏感，可能受到极端值的影响。
PCA(主成分分析)降维的概念、作用及算法实现
AMG_GT的博客
11-06 6616
1、PCA降维的概念 Principal Component Analysis(PCA)：主成分分析法，是最常用的线性降维方法。它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，即把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合。并期望在所投影的维度上数据的方差最大，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。以此使用较少的数据维度，...
sklearn主成分分析pca降维python代码
04-07
可以使用以下代码进行sklearn主成分分析pca降维： ```python from sklearn.decomposition import PCA import numpy as np # 假设有m个样本，每个样本有n个特征 X = np.random.rand(m, n) # 将数据标准化，使得每...

“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

打赏作者

AppleYRY

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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