特征降维-PCA(Principal Component Analysis)
来源:互联网 发布:广州淘宝村在哪里 编辑:程序博客网 时间:2024/05/18 01:47
1. 简介
PCA:Principal Component Analysis(主成分分析)
在进行图像的特征提取的过程中,提取的特征维数太多经常会导致特征匹配时过于复杂,消耗系统资源,不得不采用特征降维的方法。所谓特征降维,即采用一个低纬度的特征来表示高纬度。特征降维一般有两类方法:特征选择和特征抽取。特征选择即从高纬度的特征中选择其中的一个子集来作为新的特征;而特征抽取是指将高纬度的特征经过某个函数映射至低纬度作为新的特征。常用的特征抽取方法就是PCA。
2. 功能
主要功能:特征降维,以减少计算量。
不仅仅是对高维数据进行降维,更重要的是经过降维去除了噪声,发现了数据中的模式。
3. 原理
PCA把原先的n个特征用数目更少的m个特征取代,新特征是旧特征的线性组合,这些线性组合最大化样本方差,尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性。
0 0
- 特征降维-PCA(Principal Component Analysis)
- 模式识别特征降维-PCA(Principal Component Analysis)
- 特征降维-PCA(Principal Component Analysis)
- 特征降维-PCA(Principal Component Analysis)
- 『 特征降维』PCA原理-Principal Component Analysis
- 降维算法(1):Principal Component Analysis(PCA)
- Principal Component Analysis(PCA)
- PCA(principal component analysis)
- PCA(Principal Component Analysis)
- Principal Component Analysis(PCA)
- PCA-principal component analysis
- 机器学习降维算法一:PCA (Principal Component Analysis)
- 机器学习降维算法一:PCA (Principal Component Analysis)
- PCA(Principal Component Analysis)数学分析
- 主成分分析PCA(Principal Component Analysis)介绍
- SAS进行主成分分析(Principal Component Analysis,PCA)
- 主成分分析PCA(Principal Component Analysis)介绍
- 统计学习方法-主成分分析(Principal Component Analysis ,PCA )
- AFNetworking解析(四)
- Android通用流行框架大全
- 左旋转字符串
- jQuery事件:mouseleave 与 mouseout 的不同
- SQL注入速查表
- 特征降维-PCA(Principal Component Analysis)
- 初用pycharm测试flask时常见报错
- 写个程序,运行时CPU占用率为50%
- MonoDevelop 下debug代码不通过的一些问题解决方案
- HTTPOXY漏洞下的思考
- CodeForces 349B Color the Fence
- 几个简单的基本的sql语句
- 69道Spring面试题和答案
- splay树的一些基本操作 c语言代码