PCA基本推导和计算方法
来源:互联网 发布:java递归查询子节点 编辑:程序博客网 时间:2024/04/29 19:20
原文地址:PCA 分解的基本推导和计算方法 作者:dengyafeng
PCA是数据降维的一种方法,其目标是找到数据分布方差最大的方向,并将数据向该方向投影并保持投影后恢复数据的残差最小。即找到e和a,使得x的估计值x‘=m+e*a与x残差最小。注意,这里e为一个方向向量(非矩阵),且限定e的模为1(否则a和e不唯一)。
PCA的推导,通过最优化x-x’的均方误差最小,得到a=T(e)*(x-m)。
进一步,将均方误差表示为e的表达式,并在e的模为1的约束下相对e最优化均方误差。
可以推导得到e的最优解需要满足S*e=lamabda*e,从而e转为为求矩阵的特征值和特征向量问题。而S阵为x的散度矩阵,存在S=X*X‘,X为输入特征减去均值向量组成的矩阵。
由于X存在奇异值分解,即X=U*D*T(V),则S=U*D*D*T(U)。
对于特征值和特征向量,存在S=E*D2*T(E),从而可知,存在E=U,D2=D*D。
需要注意,是对X做奇异值分解,而不是对S做。
当然,也可以通过对S求解特征值和特征向量得到投影矩阵。
参考自Duda的模式识别。
0 0
- PCA基本推导和计算方法
- PCA 分解的基本推导和计算方法
- PCA 分解的基本推导和计算方法
- kernel PCA的基本推导
- LDA(Linear Discriminant Analysis)算法推导和计算方法
- 简单推导 PCA
- PCA的数学公式推导
- PCA目标函数的推导
- PCA主成分分析推导
- 数据预处理:PCA原理推导
- 主成分分析(PCA)算法的简单推导和实例
- PCA和核PCA
- 主成分分析(PCA)原理及推导
- 主成分分析(PCA)原理及推导
- 主成分分析(PCA)原理及推导
- PCA主成分分析算法数学推导
- 主成分分析(PCA)原理及推导
- 主成分分析(PCA)原理及推导
- matlab之unique函数
- Matlab中的数据归一化
- leetcode Single Number II
- 拿什么去爱
- low rank representation
- PCA基本推导和计算方法
- MATLAB之randn函数
- 给这个阶段画上一个小小的分号
- matlab 之 PCA 源代码集合
- Matlab之Cell(单元数据)函数
- LaTeX入门教程
- Matlab使用PCA降维
- 奇异值和特征值
- 均方根误差与标准差