PCA-主成份分析实现流程

最新推荐文章于 2023-10-30 14:20:03 发布
最新推荐文章于 2023-10-30 14:20:03 发布
阅读量781 收藏 1
点赞数
分类专栏： 模式识别 文章标签： PCA 主成份分析 主成分分析
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/yy19900806/article/details/42235041
版权

PCA用来干什么：

PCA(Principal Component Analysis)，PAC的作用主要是降低数据集的维度，然后挑选出主要的特征。PCA的主要思想是移动坐标轴，找到方差最大的方向上的特征值。

PCA算法流程：

  • 对原始数据做均值归一化和方差归一化
  • 对针对维度做协方差矩阵
  • 求协方差矩阵的特征值和特征向量
  • 将特征值按从大到小排序，按要求选取N（新维度的数量）个
  • 将特征值对应的特征向量组成矩阵，右乘数据矩阵

PCA使用看似简单的处理流程，却暗含了非常精妙的数学原理，能根据用户的需求，使数据的维度降低，从而为后续的数据分析铺平了道路。

PCA的适用范围

PCA对于呈高斯分布的高维数据的效果极好，但PCA对噪声也同样过于敏感，也阻碍了其大范围适用。

----------

推荐一篇简明易懂的PCA的blog：http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html

歪歪有计划
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
主成分分析（PCA）算法的主要流程
haffner35的博客
08-22 8444
假设数据矩阵为X∈RN×PX∈ℜN×P\mathbf{X} \in \Re^{ N \times P}，其中NNN为样本数，PPP为特征数，则其协方差的矩阵的计算方法为： (1) 计算XX\mathbf{X}的中心化矩阵XcXc\mathbf{X}_c: Xc=X−1N×11TN×1XNXc=X−1N×11N×1TXN \mathbf{X}_c = \mathbf{X} - \dfrac{\...
主成分分析法（PCA）原理和步骤
吴建明wujianming_110117
01-30 2万+
主成分分析法（PCA）原理和步骤 主成分分析（Principal Component Analysis，PCA）是一种多变量统计方法，它是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据，转换为一组线性不相关的变量，转换后的变量被称为主成分。 可以使用两种方法进行 PCA，分别是特征分解或奇异值分解（SVD）。 准备工作 PCA 将 n 维输入数据缩减为 r 维，其中 r<n。简单地说，PCA 实质上是一个基变换，使得变换后的数据有最大的方差，也就是通过对坐标轴的旋转和坐标原点的平移，
主成份分析（PCA）——原理、实现步骤
07-18 6196
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA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，可用于提取数据的主要特征分量，常用于高维数据的降维。本文主要分为两大部分： 第一部分：PCA原理的主要内容。 第二部分：给出PCA程序实现步骤。 第三部分：程序详解。 一、原理 参考： http://blog.csdn.net/
PCA算法步骤
sunshineywz的博客
02-03 2485
步骤一：数据中心化——去均值，根据需要，有的需要归一化——Normalized； 步骤二：求解协方差矩阵； 步骤三：利用特征值分解/奇异值分解 求解特征值以及特征向量； 步骤四：利用特征向量构造投影矩阵； 步骤五：利用投影矩阵，得出降维的数据。 ...
PCA（数据降维算法）
qq_41903673的博客
01-08 1222
PCA的目的是找到一个坐标系，使得数据只保留在一个维度时，信息损失最小（即避免投影上去，都集中在一个点）。 数据变换的概念： 下图这里左乘一个对角矩阵，相当于左乘了一个基底，实现对坐标轴的拉伸： 下图这里再左乘一个R矩阵，实现方向旋转： 数据处理流程图如下： 白数据的定义： 拉伸决定了方差最大的方向是横或纵。 旋转决定了方差最大的方向的角度。 立即推，我们要求的就是这个R矩阵。 协方差定义： 协方差矩阵： 如图所示：随着拉伸和旋转，协方...
pca-主成分分析.zip
05-11
PCA（主成分分析，Principal Component Analysis）是一种统计方法，用于将多维数据转换为一组新的正交变量，这些新变量按方差大小排序，被称为主成分。PCA的主要目的是减少数据的维度，同时最大化保留原始数据集中的...
PCA - 主成分分析（Python实现图像压缩）
CV_算法工程师
03-17 8673
PCA(Principal Component Analysis) PCA的本质就是找一些投影方向，使得数据在这些投影方向上的方差最大，而且这些投影方向是相互正交的。 这其实就是找新的正交基的过程，计算原始数据在这些正交基上投影的方差，方差越大，就说明在对应正交基上包含了更多的信息量。 而原始数据协方差矩阵的特征值越大，对应的方差越大，在对应的特征向量上投影的信息量就越大。反之，如果特征值较小， ...
PCA（主成分分析）winform实现
12-31
根据提供的文件信息，我们可以深入探讨PCA（主成分分析）及其在C#中的Winform实现细节。下面将详细解析PCA的概念、工作原理以及如何通过C#和Winform来实现这一算法。 ### PCA（主成分分析）简介 PCA，即主成分分析...
MATLAB实现PCA-GRU主成分降维结合门控循环单元多输入单输出回归预测（完整源码和数据）
12-12
此方法的核心在于将主成分分析(PCA)与门控循环单元(GRU)相结合，以提升模型的预测能力和效率。 首先，主成分分析(PCA)是统计学中常用的一种降维技术。它通过线性变换将原始数据转换到一组各维度线性无关的表示上，...
PCA.zip_PCA matlab_pca_主成分分析
09-21
综上所述，PCA.zip文件提供了一个完整的PCA算法实现，通过运行main.m文件，我们可以学习如何在MATLAB环境中进行主成分分析，了解数据降维的基本流程，并且能够应用到自己的数据集上，进行特征提取和简化问题复杂度。...
基于PCA的人脸识别
03-13
基于PCA的人脸识别，用matlab实现，使用的是剑桥大学ORL人脸数据库
PCA(Principle Component Analysis，主成分分析）介绍及其相关应用
weixin_44808889的博客
06-06 1829
PCA算法介绍及其实现
PCA算法的学习
Albert_weiku的博客
01-11 3631
引入 主成分分析（Principal components analysis，简称PCA）是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。一般我们提到降维最容易想到的算法就是PCA。 PCA算法主要用于（1）高维数据集的探索与可视化。2）数据压缩。3）数据预处理。4）图象、语音、通信的分析处理。5）降维(最主要)，去除数据冗余与噪声。 1 PCA的思想 PCA顾名思义，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。具体的，假如我们的数据集是n维的，共有m个数据
机器学习-9 降维算法——PCA降维
qq_51580006的博客
05-11 2301
①降维（Dimensionality Reduction，DR）是指采用线性或者非线性的映射方法将高维空间的样本映射到低维空间中。②降维获得低维空间的数据等价表示，实现高维数据的可视化呈现。仅仅需要以方差衡量信息量，不受数据集以外的因素影响。各主成分之间正交，可消除原始数据成分间的相互影响的因素。计算方法简单，主要运算是特征值分解，易于实现。
主成分分析（PCA）及其可视化——python
热门推荐
PY洋洋
11-17 9万+
一、主成分分析的原理 主成分分析是利用降维的思想，在损失很少信息的前提下把多个指标转化为几个综合指标的多元统计方法。通常把转化生成的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，这就使得主成分比原始变量具有某些更优越的性能。这样在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。 主成分分析正是研究如何通过原来变量的少数几个线性组合...
PCA数据降维算法
最新发布
zsgsy123456的博客
10-30 367
PCA算法的通俗讲解
数据降维之PCA算法的理解（机器学习公开课）
JANESTAR的专栏
03-17 1609
目的：在机器学习过程中，我们常常面对存在成千上百的特征集合，这些高维度的特征集合存在冗余信息，同时也带来了巨大的计算开销。因此把高维数据映射到低维度空间，甚至是可视化的3维或2维空间是我们希望看到的。尽管降维存在数据丢失，但是只要保证主要特征不丢失，在一些情况下是值得采纳的。  下面探讨一种称作主成分分析（PCA）的方法来解决部分上述问题。PCA的思想是将n维特征映射到k维上（k 2. PCA
数据分析-主成分分析流程（R语言）
chongminglun的博客
07-27 9134
主成分分析原理见： http://blog.sina.com.cn/s/blog_14154cb430102xjcc.html 主成分分析（principal component analysis,PCA）是一种降维技术，把多个变量化为能够反映原始变量大部分信息的少数几个主成分 流程环节为： 1、数据预处理。数值型，去缺失值， 2、主成分计算。 3、判断要选择的主成分数目。 4、选择并解释主成分。...
PCA(主成分分析)过程详解
沐雨金鳞
09-07 2万+
当数据维度太大时，我们通常需要进行降维处理，降维处理的方式有很多种，PCA主成分分析法是一种常用的一种降维手段，它主要是基于方差来提取最有价值的信息，虽然降维之后我们并不知道每一维度的数据代表什么意义，但是它将主要的信息成分保留了下来，那么PCA是如何实现的呢？ 我们首先要知道基坐标的概念，基坐标其实就是我们定义的坐标轴，我们平时最常用的基坐标便是X，Y坐标轴，如果我们重新定义了一个基坐标，那么...
PCA主成分分析在人脸识别实验
本实验旨在让学生掌握PCA（主成分分析法），了解人脸识别的特征提取方法，并提升MATLAB的使用技能。PCA是一种常用的数据分析和降维技术，常用于人脸识别领域。实验主要分为理论介绍、实验步骤和参考代码三部分。 1....
评论
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