数据清洗和特征选择→PCA→2.实战
《
数据清洗和特征选择→PCA→2.实战
》
》
- 程序目的
对2*45的数据进行 读取、旋转(投影)(基为协方差矩阵的特征向量)、降维、白化操作并展现可视化过程
- 总结
- 求解原数据协方差矩阵特征向量时,用的是奇异值分解,且左奇异向量为要投影的特征向量 1.17
- 在进行数据的旋转时,要从投影的角度看 2.6
- 3.9 的含义是:从线性表示的角度看,在数据的第一主元方向的坐标是xRot,xHat是在标准基下的坐标参考见线性代数→矩阵→矩阵的秩→矩阵的乘法
- 在PCA白化时,有时一些特征值(奇异值)在数值上接近于0,这样在缩放步骤时我们除以将导致除
以一个接近0的值。因而在实践中,我们使用少量的正则化实现这个缩放过程,即给特征
值加上一个很小的常数ε 4.7
-
- 使用plot画出向量(x,y): plot([0,x],[0,y]) 1.20
- 错误赵
pacData.txt下载
参考见七牛云→picturetemp→机器学习工程师→pca实战→pcaData.txt
|
| ||||
|
| ||||
posted on 2018-10-08 15:19 LeisureZhao 阅读(...) 评论(...) 编辑 收藏