主成分分析PCA

最新推荐文章于 2023-02-20 18:49:55 发布
最新推荐文章于 2023-02-20 18:49:55 发布
阅读量717 收藏 2
点赞数
分类专栏： 机器学习
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/xtingjie/article/details/72804203
版权

主成分分析PCA（principal component analysis）是一种降维方法

将原来的数据乘以一个变换矩阵，得到降维后的矩阵。

Y=WTX

PCA是把高维数据投影到低维空间，使得数据的方差最大化，也就是投影之后数据尽可能地分散

这里写图片描述

如图所示，PCA会把数据的维度从原来的横纵轴变成斜着的两根轴，使得数据尽可能地分散开，也使得两根轴尽可能互不相关，也就是去相关

假如样本有n个特征

那么PCA处理之后也有n个特征，但这n个特征已经去相关了，去除了特征之间的相关性

我们可以选取前面若干个主成分来组成新的数据，这样就实现了降维，但这样也丢失了一些信息

PCA的步骤

  1. 求原数据的协方差矩阵
  2. 求协方差矩阵的特征值和特征向量
  3. 把特征向量依次排列起来，就得到了变换矩阵W了

协方差矩阵

这里写图片描述

这里写图片描述

如上图所示，有10个样本，每个样本3个特征

用MATLAB的cov函数直接就求出协方差矩阵了

「已注销」
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCA
cyy2learn的博客
01-23 707
主成分分析（PCA）思想总结 PCA就是将高维的数据通过线性变换投影到低维空间上去。 投影思想：找出最能够代表原始数据的投影方法。被PCA降掉的那些维度只能是那些噪声或是冗余的数据。 去冗余：去除可以被其他向量代表的线性相关向量，这部分信息量是多余的。 去噪声，去除较小特征值对应的特征向量，特征值的大小反映了变换后在特征向量方向上变换的幅度，幅度越大，...
PCA算法原理简介
ccxcau的专栏
11-15 658
PCA （ Principal Component Analysis ， PCA ）是主成分分析，主要 用于数据降维，对于一系列例子的特征组成的多维向量，多维向量里的某些元素本身没有区分性，比如某个元素在所有的例子中都为1，或者与1差距不大，那么这个元素本身就没有区分性，用它做特征来区分，贡献会非常小。所以我们的目的是找那些变化大的元素，即方差大的那些维，而去除掉那些变化不大的维，从而使特征留下的
PCA（主成分分析）的理解与应用（学习笔记）
热门推荐
绯雨千叶的博客
02-20 1万+
关于PAC的一些理解与学习心得
四、PCA降维
星辰的博客
09-18 1674
PCA旨在找到数据中的主成分，并利用这些主成分表征原始数据，从而达到 降维的目的。举一个简单的例子，在三维空间中有一系列数据点，这些点分布在 一个过原点的平面上。如果我们用自然坐标系x,y,z三个轴来表示数据，就需要使用 三个维度。而实际上，这些点只出现在一个二维平面上，如果我们通过坐标系旋 转变换使得数据所在平面与x,y平面重合，那么我们就可以通过x′,y′两个维度表达原始数据，并且没有任何损失，这样就完成了数据的降维。而x′,y′两个轴所包含的信息就是我们要找到的主成分。
pca_pca_主成分分析pca_
10-03
**主成分分析PCA（Principal Component Analysis）** 主成分分析（PCA）是一种常见的统计学方法，用于数据降维和特征提取。在高维数据集的情况下，PCA可以帮助我们减少数据的复杂性，同时保持数据集中的大部分信息...
python主成分分析PCA完整代码以及结果图片
03-13
Python中的主成分分析（PCA）是一种广泛应用于数据分析和机器学习领域的降维技术。它通过线性变换将原始数据转换为一组各维度线性无关的表示，使得这些新维度（主成分）按照它们对数据方差的贡献大小排序，从而简化...
matlab 实现主成分分析（PCA）
06-04
主成分分析（PCA）是一种广泛应用于数据分析和机器学习领域的统计方法，主要目的是通过线性变换将高维数据转换为低维表示，同时保留原始数据的主要特征。PCA通过对数据进行正交变换，找到新的坐标轴（主成分），这些...
主成分分析_主成分分析_主成分分析PCA的matlab实现_
09-30
总的来说，主成分分析PCA是一种强大的数据分析工具，它在图像处理、金融风险分析、生物信息学等领域有广泛应用。MATLAB作为数值计算和科学计算的强大平台，提供了便利的接口和工具来实现PCA，使得研究者和工程师能够...
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
最新发布
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.rar_PCA IRIs_PCA 数据集_PCA主成分分析_主成分_主成分PCA分析
09-23
在“主成分分析PCA”压缩包中，可能包含的是PCA分析过程的代码、结果图示以及详细的解释文档，这些资源可以帮助我们深入了解PCA算法在实际问题中的应用。通过深入学习和实践这些材料，我们可以更好地掌握PCA的原理和...
pca.zip_pca_pca 排序_主成分分析_主成分分析pca_贡献率
09-20
在标题"pca.zip_pca_pca 排序_主成分分析_主成分分析pca_贡献率"中，我们可以看出这个压缩包文件主要包含了关于PCA的排序和贡献率分析的代码或教程。 PCA的主要目的是将多维数据集转换为少数几个新的变量，这些新...
sklearn PCA
weixin_44360866的博客
08-26 286
sklearn PCA线性降维 特征降维
PCA 算法详解
我要一步一步向前走
01-08 6099
PCA算法步骤： 设有m条n维数据。 1）将原始数据按列组成n行m列矩阵X 2）将X的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值 3）求出协方差矩阵 4）求出协方差矩阵的特征值及对应的特征向量 5）将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P 6）即为降维到k维后的数据 实例： 用PCA方法将这组二维数据其降到一维。 因为这个矩阵的每行已经是零均值...
机器学习--主成分分析PCA算法：为什么去均值以后的高维矩阵乘以其协方差矩阵的特征向量矩阵就是“投影”？
离散优化
07-10 1196
原文链接：https://blog.csdn.net/special00/article/details/84071158 这是从网上看到的PCA算法的步骤：第一步，分别求每列的平均值，然后对于所有的样例，都减去对应的均值。第二步，求特征协方差矩阵。第三步，求协方差的特征值…显示全部 关注者 1,218 被浏览 78,113 关注问题写回答 ​添加评论 ​分享 ​邀请回答 ​ 22个回答 默认排序​ 至于t-SNE为啥牛， 这里给两个对比图片， 然后我们再回到PCA，...
线性代数笔记：PCA算法推导
weixin_42521167的博客
08-01 1036
PCA算法推导PCA原理概述样本中心化最小重构误差公式推导 PCA原理概述 PCA是主成分分析(Principal Components Analysis)的简称。这是一种数据降维技术，用于数据预处理。一般我们获取的原始数据维度都很高，那么我们可以运用PCA算法降低特征维度。这样不仅可以去除无用的噪声，还能减少很大的计算量。 PCA和SVD类似，仍然是一种数据压缩的算法。 找到诸如AA′AA^\p...
主成分分析PCA方法详解
"主成分分析法案例讲解Ppt旨在解决多变量分析问题，通过主成分分析（PCA）方法降低数据维度并保留关键信息。" 主成分分析（PCA）是一种广泛应用的统计学方法，用于处理多变量数据分析中的复杂性和冗余。在实际问题...
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