PCA主成分分析是一种数据降维技术，常用于高维数据集。PCA通过保留数据主要特征，将原始数据映射到低维空间。文章介绍了PCA的原理，包括如何寻找最大特征值对应的特征向量，并展示了MATLAB中PCA的实际操作，解释了降维对于数据去噪和提高采样密度的重要性。
我们在进行数据分析时，往往会发现数据具有很多种属性，比如某类型饼干的口味、加工方式、保质期、价格、购买人群等等。每一种属性就代表该数据在某一维度上的数值。多维度的数据无疑会增加数据的准确性与可靠性，但也给我们的计算带来麻烦。
主成分分析(Principal Component Analysis,PCA)是一种常用的数据分析方法，通常用于提取数据的主要特征分量，从而完成对高维数据进行降维的过程。
PCA对数据的降维不是简单的维度挑选，而是将m维的数据映射到n维上(n<m)，并且保证得到的n维数据仍能准确表示原数据特征。
例如现在我们的数据如下图所示，x1，x2代表原数据的两个维度。这时候我们看图像，也不好说x1，x2哪个特性更能代表数据特征。
我们再一看，好像原数据也可以用y1&#x
订阅专栏 解锁全文
扫一扫
5889
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
