PCA笔记
来源:互联网 发布:illuststudio mac 编辑:程序博客网 时间:2024/05/18 02:19
PCA: pincipal componet analysis (主成份分析)
目的:在最小均方差层面,寻找一种投影方法,最能代表原始数据。
缺点:将所有样本看作成体,寻找最小均方差意义下的线性投影,同时忽略了类别属性的分类。这导致可分性信息的丢失。
主要思路:找原始数据主轴方向–>根据主轴构成新坐标系A’–>将数据由原坐标系A向A‘投影 (降维)
ps:形成A’时的坐标维度可能会比A的维度低,降维由此得。
算法步骤:
1. 计算样本均值m和散布矩阵S(散布矩阵同协方差矩阵)
2. 计算S特征值,排序(由大到小)
3. 选择前n’个特征值的特征向量,转化成一个变换矩阵E=[e1,e2,…en’]
4. 将之前的n维特征向量x转化为n’维新特征值向量
y=transpose(E)(x-m)
实现case:
1. Python 中的numpy(用C很繁)
2.OPENCV中的实现
参考资料:
《特征向量物理意义》
http://blog.sina.com.cn/s/blog_49a1f42e0100fvdu.html
PCA:
http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf
待做笔记:
http://www.cnblogs.com/tornadomeet/archive/2012/12/30/2839615.html
白化矩阵说明:
http://blog.csdn.net/denghp83/article/details/8968517
0 0
- PCA笔记
- PCA笔记
- PCA笔记
- PCA学习笔记
- Robust PCA 学习笔记
- Robust PCA 学习笔记
- PCA学习笔记
- Robust PCA 学习笔记
- Robust PCA 学习笔记
- PCA、范数课堂笔记
- PCA笔记整理
- PCA学习笔记
- 笔记-SVD&PCA
- [转]Robust PCA 学习笔记
- 学习笔记-PCA和白化
- PCA学习笔记 python实现
- PCA
- PCA
- 外键的作用
- Implement Stack using Queues
- linux系统相关命令
- Windows/Linux下引用jar包,并用javac/java编译运行
- iOS 检测手机是否安装SIM卡
- PCA笔记
- iOS通关书单,Android可入
- 使用AVAudioPlayer播放音频文件
- 【第四章】 资源 之 4.4 Resource通配符路径 ——跟我学spring3
- jQuery AJAX提交表单并输出返回值
- 实现医技工作站的心电图功能的代码(十九)
- 十、反射机制
- 扑克牌的结构定义
- C# 的三种序列化方法