重新解读协方差以及EVD/SVD
来源:互联网 发布:怎么进入尼尔森数据网 编辑:程序博客网 时间:2024/04/27 18:27
这两天摸索随机森林做图像识别,对oob进行解读时,重新对线性代数进行梳理,发现了大家对矩阵性质的有趣解读,通俗易懂,我再次感受到数学的优美.
1: 一维协方差:
cov(X,Y) = E( ( x - E(X) ) ( y - E(Y) ) )
描述了变量之间的同/反向变化关系,
对于A和B单维变量,
如果A离散程度增大,B的离散程度也倾向于同时增大,
cov(A,B) < 0;如果A离散程度增大,B的离散程度倾向于减小,
cov(A,B) > 0如果B不随A的变化而变化,
cov(A,B) = 0
BTW,协方差矩阵的意义与之相同,注意协方差矩阵由 1 * 1 引向了N * N.
对协方差的解释:
https://www.zhihu.com/question/20852004
2: 变换矩阵
变换矩阵的作用:
- 由于矩阵自身的可加性,变换矩阵作用于向量上,实际上是对向量作多种方向的组合拉伸缩放的叠加.
- 再根据特征值求取特征向量,最终的变换结果是特征向量与特征值乘积的组合.
- 根据这个特点,我们可以应用到数据处理的降维上,做EVD分解或SVD分解.
举例:
- 假设:
我由一组照片,分辨率都是420 * 640,用来做图像识别, - 但是:
相机出故障了,在(400,0)到(420,640)内的图像都是错误的图像.我又懒得用图像库对该损坏部分进行图像(20列)去除. - 那么:
再导入数据进行深度学习过程中,我就可以采用EVD,使用缺失了最后20项特征值的对称变换矩阵A,降维去除原图的错误数据. - 当然:
EVD以耗费内存为代价,采用SVD会更好,这里采用EVD/SVD也是大才小用.SVD在数据存储上有更多更大的用处.后续跟进中…
2017.10.14.night
4th Saturday of Junior
wonderseen.
阅读全文
0 0
- 重新解读协方差以及EVD/SVD
- EVD and SVD
- 利用SVD分解求解协方差的特征值以及特征向量--matlab
- 奇异值分解(SVD)与特征值分解(EVD)
- 特征值分解(EVD)和奇异值分解(SVD)
- [线性代数] SVD 与 协方差矩阵
- SVD、SVD++和Asymmetric SVD 以及实例
- matlab总结以及协方差
- 协方差以及协方差矩阵的理解
- 均值,方差,协方差三者的关系以及协方差矩阵
- 协方差
- 协方差
- 协方差
- 协方差
- 协方差
- 协方差
- 协方差
- 协方差
- 解决Notepad++ Plugin Manager无法加载插件的方法no new plugins available
- maven
- hdu 3926 瞎改改就过了。。。
- 事务的四个特性
- 【HTML】- wampserver安装时出现的问题解决
- 重新解读协方差以及EVD/SVD
- BZOJ 1303 [CQOI2009]中位数图
- javaScript小练习:实现文本字体大小的改变
- 数字三角形动态规划poj1163
- 39. Combination Sum
- 如何实现一个安全的Web登陆
- 题目927:The partial sum problem
- Docker容器实战-简单使用
- MYSQL数据库