PCA ICA
来源:互联网 发布:nginx 陶辉 编辑:程序博客网 时间:2024/05/04 20:57
PCA(principal components analysis)就是主成分分析,是数据分析中常用到的一种方法。它是找出数据最主要的方向,并将数据向该方向投影。
2.PCA是使用中值和方差来进行概率分布的描述,而这种方法仅适用于样本呈指数分布的情形,所以PCA假设数据时呈高斯分的。
3.PCA隐含着假设:数据具有较高的信噪比,所以具有最大方差的方向被作为主元,而方差最小的方向被作为噪声,这是由低通
滤波器的特性决定的。
4.主元正交:PCA假设主元之间是正交的,这样假设有利于采用线性代数的方法进行求解。
PCA和ICA性能的比较:
由于PCA假设的是样本呈高斯分布,所以其在大样本情况下效果较好,而ICA假设样本彼此独立,其效果受样本数量影响不大。
对于实验效果,PCA的约束条件是要求各分量不相关,而ICA则是要求严格独立,显然ICA约束比PCA要强很多,所以ICA的特征
提取能力比PCA要强很多。
ICA(Independent components analysis)就是独立成分分析。
PCA与ICA的区别主要在于假设条件不同。PCA假设数据是呈高斯或者说指数分布的,而ICA则假设数据是相互独立的。所以在实际处理中,ICA在小样本集时效果较好,而对于大样本集,PCA也能达到很好的效果。因为实际采样中,当采样样本较大时,其一般是呈高斯分布的。
PCA的几个主要假设包括:
1.处理数据集是线性的,对于非线性问题,有核化PCA可以进行处理,该方法主要是利用非线性权值对线性PCA进行扩展。2.PCA是使用中值和方差来进行概率分布的描述,而这种方法仅适用于样本呈指数分布的情形,所以PCA假设数据时呈高斯分的。
3.PCA隐含着假设:数据具有较高的信噪比,所以具有最大方差的方向被作为主元,而方差最小的方向被作为噪声,这是由低通
滤波器的特性决定的。
4.主元正交:PCA假设主元之间是正交的,这样假设有利于采用线性代数的方法进行求解。
PCA和ICA性能的比较:
由于PCA假设的是样本呈高斯分布,所以其在大样本情况下效果较好,而ICA假设样本彼此独立,其效果受样本数量影响不大。
对于实验效果,PCA的约束条件是要求各分量不相关,而ICA则是要求严格独立,显然ICA约束比PCA要强很多,所以ICA的特征
提取能力比PCA要强很多。
0 0
- PCA ICA
- PCA ICA
- PCA&ICA
- LDA,PCA,ICA比较
- PCA与ICA
- PCA和 ICA
- PCA, ICA, CCA
- Difference between PCA and ICA
- Machine learning- PCA and ICA
- machine learning之PCA、ICA
- PCA,ICA和CCA(markdown)
- 【机器学习】PCA与ICA,RCA,LDA
- 机器学习中PCA和ICA的理解
- 机器学习中PCA和ICA的理解
- UFLDL上的ICA为什么一定要做PCA whiten
- UFLDL教程ICA为什么一定做PCA白化
- 机器学习中PCA和ICA的理解
- 【机器学习】特征转换,PCA,ICA,RCA,LDA
- 论ERP系统开发 一:数据处理结构 - 数据流向 以及 数据模型
- 总结过去10年的程序员生涯
- NoClassDefDoundErr与ClassNotFoundException区别
- STM32外部中断
- [bzoj 3626] LNOI2014 LCA
- PCA ICA
- 在使用ActionBarActivity和AppCompatActivity时,对应的android v7包的版本
- zsh的简单使用
- 线段树模板题
- Cpp Primer<<学习IO标准库--文件模式、字符串流_7
- Arduino Uno 开发简介
- 冯诺依曼体系结构与哈弗体系结构的区别
- NOIP2013 火柴排队
- Mac OS X Git安装教程