PCA与LDA
来源:互联网 发布:如何搜索二次元软件 编辑:程序博客网 时间:2024/05/16 08:05
PCA是非监督方式,没有类别标签,针对高斯分布的数据有有效。
将n维特征降维到k维特征。
PCA理论主要包括:方差最大理论和最小平方误差理论。
方差最大理论:降维之后的数据分布尽可能方差较大。
最小平方误差理论:降维后的数据与原数据的平方误差最小。
PCA方法:
1.求数据的协方差矩阵
2.求协方差矩阵的特征值与特征向量。
3.选取特真最大的k个特征所对应的k个特征向量构成特征向量矩阵。
4.将原数据与特征矩阵相乘得到降到k维后的数据
LDA:
线性特征判别方法,要求数据具有类别信息,同时也是针对高斯分布数据有效。
两点:
1.相同类别的数据尽可能内聚
2.不同类别数据尽可能疏远。
寻找这样的直线,使得投影之后的两类别样本中心尽可能分离,同样类别的数据越集中越好。
阅读全文
0 0
- 浅析LDA与PCA
- PCA与LDA
- LDA与PCA的对比
- LDA与PCA算法与应用
- PCA&LDA
- LDA PCA
- LDA & PCA
- LDA & PCA
- pca+lda
- LDA PCA
- PCA、LDA
- LDA PCA
- LDA与PCA的一些区别总结
- 一点PCA与LDA的理解
- 机器学习系列--LDA与PCA
- 【机器学习】PCA与ICA,RCA,LDA
- PCA及变式与LDA
- 线性降维之LDA与PCA
- 最简单的机器学习算法-线性回归和梯度下降法
- zookeeper 的简单介绍和应用
- 解决eclipse启动慢方法
- pygame的简介与安装
- Python3中的基本数据类型
- PCA与LDA
- 知识学习——jQuery文档操作
- Android 使用javaMail jar包发送邮件到指定邮箱,并可以发送图片附件
- 657. Judge Route Circle
- 17ANoldbach problem
- Python基础-高阶函数-Higher-order function
- 查找算法
- 省选专练APIO2009抢掠计划
- Unity3D实用脚本(二)—— 检查场景中用到的资源