EVD解决方阵的矩阵分解; SVD解决非方阵的矩阵分解。
PCV:机器学习降维的方法。 无监督
LDA:分类、度量,的特征数据的降维。 有监督
在使用PCA进行特征向量降维的时候,一定要设定相应的约束条件,否则求解的结果会是无穷或者很多,或者不一定满足要求。只有设定约束条件的,实现最优化目标函数的才是我们想要的解。
而能达到这个要求的,刚好有协方差矩阵,因此最终采用的方法是协方差矩阵,将其进行矩阵分解,拿到对应的特征值和特征向量。拿到新的特征空间的两个主要信息。
EVD解决方阵的矩阵分解; SVD解决非方阵的矩阵分解。
PCV:机器学习降维的方法。 无监督
LDA:分类、度量,的特征数据的降维。 有监督
在使用PCA进行特征向量降维的时候,一定要设定相应的约束条件,否则求解的结果会是无穷或者很多,或者不一定满足要求。只有设定约束条件的,实现最优化目标函数的才是我们想要的解。
而能达到这个要求的,刚好有协方差矩阵,因此最终采用的方法是协方差矩阵,将其进行矩阵分解,拿到对应的特征值和特征向量。拿到新的特征空间的两个主要信息。