【深度学习基础知识 - 50】PCA降维主成成分分析

最新推荐文章于 2023-02-18 13:15:15 发布

雁宇up

最新推荐文章于 2023-02-18 13:15:15 发布

阅读量999

点赞数 1

分类专栏：深度学习文章标签：机器学习线性代数深度学习

本文链接：https://blog.csdn.net/yanyuxiangtoday/article/details/120150994

版权

PCA（主成分分析）是一种有效的降维方法，通过找到数据协方差矩阵的特征向量，按特征值大小排序，以保留最多信息的方式将高维数据映射到低维空间。降维有助于解决维度灾难，便于数据可视化，并在压缩数据时减少信息损失。了解PCA的原理、计算方法及其在深度学习中的作用，对于理解和应用机器学习模型至关重要。

摘要由CSDN通过智能技术生成

PCA降维的原理

PCA可以把可能具有相关性的高维变量合成线性无关的低维变量，称为主成分（ principal components）。新的低维数据集会尽可能的保留原始数据的变量。
降维方式就是通过分析数据的主成分，在不丢失过多信息的情况下，通过映射将高维数据投影到较低纬度的数据中去。

方差：用于度量一组数据的离散程度，是各个样本和样本均值差的平方的均值。公式如下：
$s^2=\frac {\sum^n_{i=1}(X_i-\overline X)} {n-1}$

关注