主成分分析法（PCA）——自学第六篇

最新推荐文章于 2024-08-11 23:49:39 发布
最新推荐文章于 2024-08-11 23:49:39 发布
阅读量3.5k 收藏 14
点赞数 2
文章标签： 机器学习基础教程
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/yh_1021/article/details/82716577
版权
本文详细介绍了主成分分析（PCA）的基本原理和应用，包括数据降维、去噪以及在MNIST数据集上的验证。通过梯度上升法求解第一主成分，并展示PCA如何在保留主要信息的同时提高运算效率。PCA降噪实验表明，降维重建的数据能有效过滤噪声，保持较高识别率。
摘要由CSDN通过智能技术生成

1、主成分分析

（1）用途
  • 非监督的机器学习算法
  • 主要用于数据的降维
  • 通过降维，可以得到更容易理解的特征信息
  • 可以方便数据可视化、用于去噪
（2）原理

坐标系上有五个点，需要通过降维，在最大程度保留数据信息的基础上将二维表示的数据降到一维。所以我们需要找到一个轴，使得样本映射到轴上之后，样本间的方差最大（最容易区别各个样本）
这里写图片描述

。需要求一个轴的方向w=（w1，w2），使得所有样本映射到w以后，方差最大,
即 Var(x)=1m∑mi=1∥xi∥2 V a r ( x ) = 1 m ∑ i = 1 m ‖ x i ‖ 2 的值最大， x

最低0.47元/天 解锁文章
yh_1021
关注
Python 中的主成分分析 (PCA)，送给正在迷茫的你
2301_77116622的博客
04-04 836
数据 = np。阵列（[[ 2.5 ，0.5 ，2.2 ，1.9 ，3.1 ，2.3 ，2 ，1 ，1.5 ，1.1 ]，[ 2.4 ，0.7 ，2.9 ，2.2 ，3.0 ，2.7 ，1.6 ，1.1 ，1.6 ，0.9 ]）的数据[ 0 ] = 数据[ 0 ] - np. 均值（数据[ 0 ]）数据[ 1 ] = 数据[ 1 ] - np。平均值（数据[ 1 ]）# 创建轴无花果 = plt。图( figsize = ( 10 , 10 ))ax0。ax0。ax0。ax0。
主成分分析（Principal Component Analysis，PCA）
Michael是个半路程序员
04-26 3641
文章目录1. 总体主成分分析 主成分分析（Principal Component Analysis，PCA）是一种常用的无监督学习方法 利用正交变换把由线性相关变量表示的观测数据 转换为 少数几个由线性无关变量表示的数据，线性无关的变量 称为 主成分 主成分的个数通常小于原始变量的个数，所以PCA属于降维方法 主要用于发现数据中的基本结构，即数据中变量之间的关系，是数据分析的有力工具，也用于其他...
主成分分析(PCA)学习
坚持自己的梦想
05-03 1973
主成分分析（Principal Component Analysis，PCA）是一种常用的数据降维方法，它通过线性变换将原始数据变换为一组各维度线性无关的表示，通常用于提取数据的主要特征分量。PCA 的目标是从原始数据中提取出最重要的特征，通过这些特征来简化数据的复杂性，同时保持数据集中的大部分信息。
主成分分析(PCA)
最新发布
blinkyou001的博客
08-11 4229
本文讲解了主成分分析（PCA）的基本原理，并利用python进行了实例演示。
主成分分析法(数学建模)教授先生
weixin_61009782的博客
09-01 5541
数学建模，学习b站上数学建模老哥的视频做得笔记
PCA主成分数量（降维维度）选择
ybdesire的专栏
03-21 6万+
用PCA做降维，降到多少维合适呢？
主成分分析（PCA）详解
热门推荐
weixin_60737527的博客
06-06 9万+
主成分分析（PCA）原理与应用
主成分分析碎石图_用户体验数据的多维度处理：PC A法及碎石图
weixin_42236063的博客
12-30 2752
无关乎算法原理，本文将从用户体验的角度，着重分析多维度数据处理的降维方法：主成分分析法(PC A)主成分分析法(PC A)：类似SUS，该方法能够将诸多因子如(满意度，可用性，简易性等多指标转化成低维度数据，以数字或图表的形式直观呈现)，并介绍反映维度数量与误差性关系的图表–碎石图及其算法(基于PC A)。前文我们提到了用户体验数据化的广泛例子–系统可用性量表SUS，但是在实际用户体验研究过程中，...
机器学习编程练习——使用PCA和随机森林算法对鸢尾花数据进行分类
onesmile5137的博客
08-13 4606
上周学习了吴恩达的降维章节，并且自学了随机森林算法。今天完成了简单的编程练习，并作一些简单的心得笔记。 随机森林算法： 随机森林可以简单的看作是多颗决策树的集合，最终的模型结果由这些树的众数来决定。 优点： 随机森林的既可以用于回归也可以用于分类任务，并且很容易查看模型的输入特征的相对重要性。随机森林算法被认为是一种非常方便且易于使用的算法，因为它是默认的超参数通常会产生一个很好的预测结果。超参数...
进入AI领域做产品 —— 我的自学之路
07-03 1万+
做产品经理这份工作将涉及大量选择，本质上，是需要“输入→内视→输出”的环节更多，所以为了更好的去进行“输出”，学习“输入”（AI基础认知、产品认知、技术通识）以及“内视”（认知框架）的重要性就不言而喻了。 所以，这份内容是关于一个要进入AI领域的产品经理，所需要积累的“输入”的归纳，以及搭建“内视”框架的过程。（第二份输出也已经完成——《出行服务 + AI —— 一次模拟的创业》)
主成分分析 PCA算法原理
alaclp的专栏
04-20 1万+
主成分分析 PCA算法  (2010-05-11 19:59:26) 转载▼ 标签：  文化 分类： 系统生物学 对同一个体进行多项观察时，必定涉及多个随机变量X1，X2，…，Xp，它们都是的相关性, 一时难以综合。这时就需要借助主成分分析 (principal component analysis)来概括诸多信息的主
机器学习(四)——PCA主成分分析
hhhcbw的博客，欢迎各位来访
12-01 2422
引言 我们在完成一个机器学习任务比如线性回归，所使用数据的维度可能非常高(训练测试耗时大且占内存大)，或者属性之间可能具有相关性，比如奖学金和绩点（奖学金也反映了绩点的情况），这就会造成数据的冗余。这时我们就可以用到 PCA(Principal components analysis)主成分分析，来对数据进行降维，减小数据的冗余。 PCA的思想 当然，PCA 不是简单地选择几个属性或者说是去除几个属性，它是综合考虑了所有属性，确定出几个主成分（或者说是新的属性），这个主成分可以说是原始属性的综合。 所以
主成分分析法_SPSS教程（一）|主成分分析法
weixin_39881859的博客
12-19 1万+
本期编辑 | 小谦本期校对 | 听雨文章来源 |医咖会鸣谢作者1、问题与数据某公司经理拟招聘一名员工，要求其具有较高的工作积极性、自主性、热情和责任感。为此，该经理专门设计了一个测试问卷，配有25项相关问题，拟从315位应聘者中寻找出最合适的候选人。在这25项相关问题中，Qu3-Qu8、Qu12、Qu13测量的是工作积极性，Qu2、Qu14-Qu19测量的是工作自主性，Qu20-Qu2...
利用PCA+KNN在MNIST数据集上达到97%准确率
evilfromshadow的博客
01-12 4357
利用PCA+KNN在MNIST数据集上达到97%准确率写在前面算法实现1、引用必要的库文件2、读入数据3、利用主成分分析对数据进行降维4、KNN的实现5、结果测试 写在前面 本文的工作基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。 由于skeleton库中的PCA写的很好（好吧，其实是作者很懒），本文的主成分分析（PCA）部分调用了skele...
spss主成分综合得分_医学统计SPSS主成分分析详解 ——【杏花开医学统计】
weixin_31706903的博客
01-05 4755
杏花开生物医药统计一号在手，统计无忧！关注医学统计SPSS主成分分析详解关键词：SPSS、主成分分析导 读 主成分分析(principal components analysis)，是将多个数值变量或指标简化为少数几个相互独立的综合变量或指标的过程，整个过程是一个降维的过程。医学研究中，常用主成分分析对有多个观察指标或多个影响因素的数据进行指标整合，来降低分析工作的难度和工作量...
pca百分比取多少比较好_主成分分析(PCA)的详细解释
weixin_33615688的博客
02-02 2175
原作者：Zakaria Jaadi翻译：钟胜杰这篇文章的目的是提供主成分分析的完整同时比较简化的解释，特别是逐步回答它是如何工作的，这样每个人都可以理解它并利用它，而不必具有很高的数学水平。PCA实际上是一种使用很广的网络方法，但只有少数人直截了当地解释它是如何工作的，而不会过多地投入技术性的解释。这就是为什么我决定自己发布帖子，用简化的方式呈现它的原因。在开始解释之前，文章说明了PCA在每个步骤...
PCA-特征提取
蜗牛
05-22 4万+
介绍在这篇文章中，我们讨论主成分分析（PCA）是如何工作的，以及它如何被用来作为分类问题的降维技术。在这篇文章的末尾，出于证明的目的提供了Matlab源代码。在前面的文章中，我们讨论了所谓的维数诅咒，表明在高维空间分类器倾向于过度拟合训练数据。接下来产生的问题是哪些特征应该保留，哪些应该从高维特征向量中删除。如果此特征向量的所有特征是统计独立的，可以简单地从这个向量中消除最小的判别特征。通过各种贪婪
主成分分析法
道羲的博客
07-01 370
主成分分析法 非监督的机器学习法 主要用于数据的降维 通过降维，可以发现便于理解的特征 去噪 主成分分析法的目标是求www，使得Var(Xproject)=1m∑i=1m(∑j=1mXj(i)wj)2Var(X_{project})=\frac{1}{m}\sum^m_{i=1}(\sum^m_{j=1}X_j^{(i)}w_j)^2Var(Xproject​)=m1​∑i=1m​(∑j=1m​Xj(i)​wj​)2，相当于把m维的点，映射到www坐标系上面，使得这些点在www坐标系上的方差最大（最稀疏
主成分分析(PCA)解析：从理论到应用
"主成分分析(PCA)入门" 主成分分析(PCA)是一种广泛应用的数据分析技术，主要用于降低数据维度和提取数据的主要特征。PCA通过线性变换将原始数据转换成一组各维度线性无关的表示，新生成的这组特征称为主成分。这些...
评论 1
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