Singular Value Decomposition (SVD)
降维的目的是为了去除冗余的数据,数据压缩等。大部分的挖掘算法在高维空间上难以达到较好的效果。
奇异值用于降维的步骤:
1. 将样本构造成矩阵A
2. 对A进行奇异值分解 SVD(A)=[U, S, V]
3. U是AAT的特征向量矩阵,V是ATA的特征向量的矩阵,S是ATA和AAT的共同的特征值,从大到小
4. 设置要降的维数K, U, S 和V都取前K列,A=USVT作为最后的降为结果
降维的目的是为了去除冗余的数据,数据压缩等。大部分的挖掘算法在高维空间上难以达到较好的效果。
奇异值用于降维的步骤:
1. 将样本构造成矩阵A
2. 对A进行奇异值分解 SVD(A)=[U, S, V]
3. U是AAT的特征向量矩阵,V是ATA的特征向量的矩阵,S是ATA和AAT的共同的特征值,从大到小
4. 设置要降的维数K, U, S 和V都取前K列,A=USVT作为最后的降为结果