主成分分析PCA（非常详细）

墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.4w累计阅读 1.4w+平均单平台已同步平台优快云微信公众号微博知乎掘金百家号博客园抖音小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网我也要 → 码龄7年

关注

转载 2022-03-22 20:33:32 1.4w 阅读 AI 写同款· GEO 优化 ›

对分子模拟轨迹数据的分析绘图主要是用gnuplot和origin绘制分子模拟分析常用的图阅读详情

今天在某乎上面看到了一篇关于主成分分析的文章，让我有一种醍醐灌顶的感觉，讲得很清晰明了，在这里分享给大家。
原文地址：https://zhuanlan.zhihu.com/p/77151308

收录于

深度学习

当前文章被收录于：

深度学习

4 篇文章 9 人学习

关于深度学习领域知识的讲解

订阅专栏查看详情

当前文章被以下社区和专栏收录：

标签

#深度学习

原文链接：https://zhuanlan.zhihu.com/p/77151308>

用CPPTRAJ模块对分子轨迹做主成分分析(PCA) 练习amber教程，对模块cpptraj的一些操作阅读详情

相关推荐

amber+vmd+cpptraj动力学分析及作图

iiiridescent的博客 4677

【Amber】分子动力学结果分析(一)mdout_analyzer.py

目录mdout_analyzer.py简介脚本修改mdout.py运行报错解决方法widgets.py mdout_analyzer.py简介 mdout_analyzer.py是Amber自带的分析工具，在可视化界面可以轻松对MD结果的各项输出进行绘图分析。主界面绘图参数设置界面例：脚本修改 mdout.py 在编译安装Amber20后，mdout_analyzer.py位于AMBERHOME/bin文件夹下，并基于编译过程中安装的python3.8运行，本身没有问题，但其调用的mdout.

qq_33953882的博客 2684

用amber计算dPCA（Dihedral angle principal component analysis）

之前老师叫我给师姐的文章补个dPCA分析，我也不会，网上好像也没有具体咋分析的教程…瞎分析了一通，也不知道对不对，希望大家能一起学习指出错误~ 一.运行脚本在Amber16手册中搜索Dihedral covariance matrix calculation and projection for backbone phi/psi 可以看到输入的命令。运行完得到一个文件名为：dih.project.dat 的文件二.处理数据复制帧数Frame、主成分1、主成分2到excel中。根据公式: 计算出

yuyuyu1014的博客 1447

主成分分析（PCA）详解

主成分分析（PCA）原理与应用

weixin_60737527的博客 9万+

PCA：详细解释主成分分析

1 PCA目的/作用 主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。 PCA降维的目的，就是为了在尽量保证“信息量不丢失”的情况下，对原始特征进行降维，也就是尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到...

lanyuelvyun的博客 22万+

PCA主成分分析

PCA主成分分析 PCA（principal components analysis）主成分分析是一种较老的一种应用于降维的方法，其目的是在于找到一种线性映射，将原始输入向量映射至较低维向量空间，同时使得向量间的方差最大（为了使得各向量能区分的更好）。并且，该线性映射不是普通的线性映射，而是正交的，使得映射后各维度正交以更好地解释。下面来具体解释一下PCA的内部推导过程原理篇根据我们...

大熊的博客 6738

pca主成分分析_干货 | 如何通俗易懂地理解PCA主成分分析

看点01主成分分析(PCA)主成分分析(Principal Component Analysis，PCA)是一种无监督学习的多元统计分析方法。PCA分析的主要原理是将高维数据投影到较低维空间，提取多元事物的主要因素，揭示其本质特征。它可以高效地找出数据中的主要部分，将原有的复杂数据降维处理。PCA分析被广泛应用于很多领域，比如理论物理学、气象学、心理学、生物学、化学、工程学等。看点02P...

weixin_39614874的博客 4万+

pca主成分分析结果解释_主成分分析(PCA)的详细解释

原作者：Zakaria Jaadi翻译：钟胜杰这篇文章的目的是提供主成分分析的完整同时比较简化的解释，特别是逐步回答它是如何工作的，这样每个人都可以理解它并利用它，而不必具有很高的数学水平。PCA实际上是一种使用很广的网络方法，但只有少数人直截了当地解释它是如何工作的，而不会过多地投入技术性的解释。这就是为什么我决定自己发布帖子，用简化的方式呈现它的原因。在开始解释之前，文章说明了PCA在每个步骤...

weixin_39837727的博客 1万+

PCA：详解主成分分析

主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。

wfengzi5的博客 1万+

主成分分析（PCA）

基本概念 主成分分析（Principal Component Analysis, PCA）是研究如何将多指标问题转化为较少的综合指标的一种重要的统计方法，它能将高维空间的问题转化到低维空间去处理，使问题变得比较简单、直观，而且这些较少的综合指标之间互不相关，又能提供原有指标的绝大部分信息。 PCA是一个无监督问题，不是基于标签，而是基于方差。我们可以认为原始的数据在某一个维度上是非常密集的，P...

愿万事胜意 2272

主成分分析PCA与鲁棒主成分分析RPCA

一、主成分分析 使用最广泛的数据降维算法，可用于高维数据处理，分析，压缩等。降维：将高维度的数据保留下最重要的一些特征，去除噪声和不重要的特征，从而达到提升数据处理速度的目的。 1. 前提经典PCA假设数据被小的高斯噪声污染，在实际应用中一旦出现大的噪声或严重的离群点，会对PCA产生很大的影响，大大降低其性能。 2. 主要思想假定给定的高维数据位于低维线性子空间附近，PCA的目的是有效，准确地估计该低维子空间。 [ 降维的同时尽量降低信息的损失 ] 3. 数学模型假定给定的数据存储在矩阵D∈Rm×n

小席的学习日志 4108

pca 主成分分析_超越普通PCA：非线性主成分分析

主成分分析pcaTL;DR: PCA cannot handle categorical variables because it makes linear assumptions about them. Nonlinear PCA addresses this issue by warping the feature space to optimize explained variance. (...

weixin_26752765的博客 2741

PCA所用到得程序完美解释，有例子有注释

基于SPSS的主成分分析（PCA）

主成分分析（Principal Component Analysis，PCA）是一种统计方法。PCA以降维方式，在损失很少信息的前提下通过正交变换将一组可能存在相关性的变量（多个指标）转换为一组线性不相关的变量（少数几个综合指标）。转换生成的综合指标称之为主成分，其中每个主成分都是原始变量的线性组合，且各个主成分之间互不相关，这就使得主成分比原始变量具有某些更优越的代表性。在环境学领域，PCA分析能够从总体上反映各组样本之间的总体差异和组内样本之间的变异度大小。通常我们可以使用SPSS、SIMCA-P、PA

HUANWEIFENXI的博客 1万+

伺服驱动器启用后对传感器线信号干扰的解决方案

在一些Arduino项目中，研究者发现，当伺服电机启动时，传感器信号会出现显著噪声。例如，在一个假肢项目中，研究者使用光电隔离器成功隔离了伺服驱动器对EMG传感器的干扰。然而，当启用伺服驱动器时，传感器线信号常常受到干扰，导致系统性能下降。传感器线信号是传感器输出的电信号，用于测量物理量，如温度、光线或位置。例如，在一些案例中，伺服驱动器的开关操作可能导致传感器信号出现尖峰或波动，特别是在模拟传感器上更为明显。描述：使用光电隔离或其他隔离技术，分离伺服驱动器和传感器的电气路径，防止直接干扰。

有用好玩有趣的“电”知识 1466

FDTD超表面仿真详细教程，几何相位，共振相位，传播相位

FDTD的超表面主要几何相位型（PB型）和共振型两种类型，其中PB型每个cell中的纳米棒的长宽相同，旋转角度不同，共振型长宽不同，旋转角度相同。本博文中以最常见的长方形纳米棒为例，用FDTD演示两种超表面实现的聚焦透镜的功能，包含详细步骤，其他形状，材料的超表面可自行尝试。

wuyuerhhg的博客 3万+

python主成分分析PCA

主成分PCA分析的基本步骤： · 对数据进行归一化处理（代码中并非这么做的，而是直接减去均值） · 计算归一化后的数据集的协方差矩阵 · 计算协方差矩阵的特征值和特征向量 · 保留最重要的k个特征（通常k要小于n），也可以自己制定，也可以选择一个阈值，然后通过前k个特征值之和减去后面n-k个特征值之和大于这个阈值，则选择这个k · 找出k个特征值对应的特征向量 · 将m...

fanc的博客 3706

记录Android Studio连接华为(nova)手机鸿蒙系统踩过的坑

鸿蒙系统的华为老机子比较麻烦，坑有点多，兄弟们加油！

沉迷单车的追风少年 7922

pca主成分分析结果解释_主成分分析(PCA)原理及SPSS实操

主成分分析(principal components analysis，简称PCA)是一种降维分析，将多个指标转换为少数几个综合指标，由霍特林于1933年首先提出。主成分分析方法之所以能够降维，本质是因为原始变量之间存在着较强的相关性，如果原始变量之间的相关性较弱，则主成分分析不能起到很好的降维效果，所以进行主成分分析前最好先进行相关性分析。一个例子中心城市的综合发展是带动周边地区经济发展的重要动...

weixin_39759155的博客 1万+

最优控制 (Optimal Control) 算法详解及案例分析

最优控制是一种通过优化控制输入，使系统在满足约束条件的情况下达到最优性能的控制方法。其目标是最小化或最大化一个性能指标。

闲人编程的博客 2092

YOLO11涨点优化：创新多尺度卷积注意力（MSCA）模块，小目标检测神器！

MSCA模块通过创新的多尺度设计，在保持计算效率的同时显著提升小目标检测能力。实验证明，在YOLOv5/v8等模型上嵌入MSCA后，mAP提升超过2%，小目标检测精度提升近4%，且计算代价增加极小。注意力机制的未来发展方向动态核尺寸：根据输入特征自适应调整卷积核大小跨模态融合：结合RGB与深度/热力图等多模态信息自监督优化：利用对比学习预训练注意力模块尝试在你的YOLO模型中插入MSCA模块，欢迎在评论区分享你的涨点结果！参考文献。

QQ_778132974的博客 470

上一篇：运筹学——使用matlab实现整数规划割平面法

下一篇： leetcode经典题目合集一：贪心算法

amber+vmd+cpptraj动力学分析及作图

iiiridescent的博客

03-06

4677