PCA目标函数的推导
来源:互联网 发布:淘宝直通车设置流程 编辑:程序博客网 时间:2024/05/16 05:31
主成分量分析方法(PCA)是一种代表性的无监督的线性特征提取技术。它展示的是高
维空间中数据的变化。PCA先通过提取高维数据的协方差矩阵的特征向量来得到一个低维的
线性子空间,然后将原始的高维数据投影到这个线性子空间中来进行降维。它的目标是同时
寻找一个正交基函数的集合,这个正交基集合可以捕捉到数据的最大变化的方向,也就是保
证高维数据在投影到低维空间后,原始数据之间包含的变化信息能最大程度的保留到降维后
维空间中数据的变化。PCA先通过提取高维数据的协方差矩阵的特征向量来得到一个低维的
线性子空间,然后将原始的高维数据投影到这个线性子空间中来进行降维。它的目标是同时
寻找一个正交基函数的集合,这个正交基集合可以捕捉到数据的最大变化的方向,也就是保
证高维数据在投影到低维空间后,原始数据之间包含的变化信息能最大程度的保留到降维后
得到的低维数据中。
目的是使数据投影后的值尽可能的分散,在数学上这种分散程度我们用方差表示, 我们假设每一个样本的先验概率是均匀分布,p(xi)=1/N,
目标函数:
yi表示各个样本在各个基向量中的投影坐标。 假设M为样本的维数, 投影后N的维数小于N,,,M>>N;
现在目的是求得原样本基向量与新的基向量之间的转换矩阵。。
假设yi=wT*xi;
0 0
- PCA目标函数的推导
- PCA的数学公式推导
- CVPR10-LLC文章中目标函数的推导过程
- 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
- PCA旋转变换矩阵的推导过程
- LSD-SLAM(2)关于tracking线程的目标函数的推导
- SVM熟练到精通2:SVM目标函数的dual优化推导
- 简单推导 PCA
- PCA的数学原理,推导的很详细
- matlab的pca函数说明
- matlab pca函数的使用方法
- matlab的pca函数说明
- PCA基本推导和计算方法
- PCA主成分分析推导
- 数据预处理:PCA原理推导
- 欧拉函数的推导
- UnityAPI翻译——VRDeviceType
- pycharm使用总结
- 脚本语言与系统语言区别--------阿冬专栏!!!
- angular模块控制器分离二
- 通达OA 2015界面个性化随笔,不定期更新
- PCA目标函数的推导
- 关于UIApplication单例传值
- Server Tomcat v7.0 Server at localhost failed to start.
- Linux c 算法与数据结构--双向链表
- Java多线程优先级的一些测试
- mysql的权限控制
- Android Studio中常用设置与快捷键
- Mysql group_concat的反向应用实现(Mysql列转行)
- 页面跳转与重定向(之一)