CV-EigenModel&PCA

Leslie_May

于 2019-10-22 07:03:46 发布

阅读量406

点赞数

分类专栏： CV 文章标签： Eigenmodel

本文链接：https://blog.youkuaiyun.com/Leslie_May/article/details/102675508

版权

本文介绍了Eigenmodel和PCA的概念及其应用。Eigenmodel由均值、特征向量和特征值组成，其中特征向量对应最大特征值的方向表示最大方差。PCA是一种数据降维技术，通过保留主要的特征向量来减少数据的维度，同时尽量保持数据特性不变。在机器学习中，Eigenmodel和PCA有助于计算考虑数据分布的马氏距离。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

Variance(1D data)：A single number (scalar) encoding the spread about the mean μ (also the square of standard deviation).

方差用来描述一维数据，描述了数据与其平均值的偏离程度，是标准差的平方。

Covariance Matrix(any-D data): A dxd symmetric matrix encoding spread about the mean μ, and how each dimension varies with respect to other dimensions. Written C.

方差是用来描述一维数据的，针对多维数据，使用协方差矩阵，能够展现各个维度数据之间的关系。

Decomposition of Covariance

It is possible to decompose the covariance matrix C. (using the Eigenvalue Decomposition(EVD))

C = U V U'

U = Matrix of Eigenvecotrs V = Matrix of Eigenvalues

Each eigenvector has a corresponding eigenvalue. The eigenvector corresponding to the largest eigenvalue is called the principal eigenvector. It points in the direction of greatest variance. Eigenvectors form a data-dependent basis set for a reference f

最低0.47元/天解锁文章