主成分分析法(PCA)——自学第六篇

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,
Var(x)=1mmi=1xi2 V a r ( x ) = 1 m ∑ i = 1 m ‖ x i ‖ 2 的值最大, x

  • 2
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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