本篇主要记录下svd(Singular Value Decomposition)、pca(Principal Component Analysis)、lda(Linear Discriminant Analysis)
svd
svd是一种无监督的降维算法,其可以用来对任一矩阵(不要求为方阵)进行分解,如下:
详细可参考:https://www.cnblogs.com/pinard/p/6251584.html
pca
pca是一种无监督的降维算法,其基本思想是如果样本在某一维度上的方差越大,则该维度包含的信息就越多;反之如果某一维度上的方差非常小,则该维度基本不含信息,去掉也不会有多大损失;其目标是希望找到个空间变换矩阵使得样本在新空间各基底(坐标轴)上的方差尽可能的大,然后直接舍弃掉方差最小的那几个新空间基底(坐标轴)就达到了降维的目的了;其主要步骤是对数据矩阵的协方差矩阵进行分解,求特征值和特征向量;流程如下: