对于PCA计算过程的理解

最新推荐文章于 2025-06-09 19:59:08 发布
最新推荐文章于 2025-06-09 19:59:08 发布
阅读量2.6k 收藏 2
点赞数
CC 4.0 BY-SA版权
分类专栏： 数学知识 文章标签： pca-计算
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/brightming/article/details/50424075

对于PCA计算过程的理解

参考了诸多关于pca的学习资料，总算是有点认识了，今天参考：
http://www.cnblogs.com/jerrylead/archive/2011/04/18/2020209.html
对着把这个计算和恢复过程做了一遍，加深印象。
数据都是直接拿上面文章的。

一、样本整理
这里写图片描述

这里写图片描述

二、投影到1维
1、计算投影到1维后的数据
这里写图片描述

这里写图片描述

2、恢复数据
这里写图片描述

这里写图片描述

这里写图片描述

三、投影到2维
1、计算投影到2维后的数据
这里写图片描述

2、恢复数据
这里写图片描述

这里写图片描述

主成分分析（PCA）原理详解
李春春的专栏
03-04 46万+
机器学习中有关特征选择的问题，其实就是要剔除和类标签无关的特征，去除噪声或者冗余。在这种情况下，需要一种特征降维的方法来减少特征数，减少噪音和冗余，减少过度拟合的可能性。PCA的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征。这k维特征称为主成分，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-k维特征。现在的问题是，对于很高维数据，你能想象其分布吗？就算能描述分布，如何精确地找到这些主成分的轴？如何衡量你提取的主成分到底占了整个数据的多少信息？所以，我们就要用到主成分分析的处
理解pca 计算举例
haharen110的博客
03-14 1万+
记录下举例说明pca降维过程
PCA算法
jimeshui的专栏
05-03 787
目前，pca算法已经广泛应用于各方面，就拿图像处理，经常做的一件事就是当提取的图像特征维度比较高时，为了简化计算量以及储存空间，需要对这些高维数据进行一定程度上的降维，并尽量保证数据的不失真。 先举个例子，方便理解：     1）对于一个训练集，20个sample(i=1,2,3,...,20)，特征Xi是100维[Xi1,Xi2,Xi3,...Xij,...,Xi100](j=1,2
主成分分析（PCA）原理与实战：从0到1彻底掌握
最新发布
Serven的博客
06-09 960
主成分分析（PCA）原理与实战：从0到1彻底掌握
PCA算法过程
re_call的博客
06-03 5579
PCA是主成分分析(Principal Components Analysis)的简称。这是一种数据降维技术，用于数据预处理。一般我们获取的原始数据维度都很高，那么我们可以运用PCA算法降低特征维度。这样不仅可以去除无用的噪声，还能减少很大的计算量。 ...
PCA的过程
行路者
08-09 5435
操作流程： 1、去除平均值，让每一维特征减去各自特征的平均值 2、计算协方差矩阵 如果数据是三维的，那么协方差矩阵是这样的。主对角线上是方差，非对角线是两两元素的协方差。 协方差的绝对值越大，对彼此的影响就越大。 3、计算协方差矩阵的特征值与特征向量 4、对特征值从大较小的排序 5、选择最大的K个特征值，对应的特征向量 6、将数据转换到K个特征向量构建的新空间中。 具体做法是...
基于PCA的TE过程故障诊断(Matlab代码)
02-21
PCA（主元分析）是一种广泛应用于数据分析和降维的技术，尤其在故障诊断领域中具有显著的应用价值。...通过对代码的理解和调整，可以适应不同的TE过程故障检测需求，提升系统的监控效率和故障响应能力。
pca 计算_1736268938509.pdf
01-08
主成分分析（PCA）是一种统计方法，它通过正交变换将可能相关的变量转换为一...对于那些对主成分分析有进一步研究兴趣的人来说，理解其背后的数学原理和算法流程是非常必要的，这有助于更加高效和准确地应用PCA技术。
PCA监测.zip_pca_主成分分析_异常_贡献图_过程监测
09-23
这些MATLAB文件很可能包含了实现PCA过程监测的代码，可能包括数据预处理、PCA计算、贡献图绘制、异常检测等步骤。通过阅读和运行这些代码，学习者可以深入理解PCA在实际应用中的操作流程，并能掌握如何利用PCA进行...
基于PCA的TE过程故障诊断(Matlab代码).zip
03-03
"PCA故障诊断步骤.doc"文件很可能是详细介绍了上述步骤的文档，包括具体实现的Matlab代码，对于理解和应用PCA在TE过程故障诊断中的方法会有很大帮助。通过学习和实践，可以提高故障预测和预防能力，确保TE过程的稳定...
PCA(主成分分析)的计算过程
moon_down_wrp的博客
09-08 2612
假设我们现在有n个样本，每个样本m个属性。 1、对所有样本进行中心化：求每个属性的均值，每个样本的每个属性 去减去该属性对应的均值。 2、计算样本的协方差矩阵（忘了协方差矩阵是什么？见http://blog.youkuaiyun.com/moon_down_wrp/article/details/77898654） 3、对协方差矩阵做特征值分解（实践中通常通过对样本矩阵X进行奇异值分解来代替协方
主成分分析（PCA）的数学原理和计算过程
彬彬侠的博客
11-15 1035
主成分分析（PCA）是一种通过找到数据中最大方差的方向来进行数据降维的技术，它利用特征值分解协方差矩阵来提取数据的主成分。PCA不仅能帮助降维，还能去噪，常用于高维数据的可视化和压缩。尽管PCA在处理线性数据时非常有效，但它不适用于非线性数据，并且结果的解释性相对较弱。
深入理解PCA
张的博客
11-30 580
前言 最近一周陆陆续续地看了一写关于SVD，PCA及其相关应用的文章和博客，在这个过程中，把之前很多其实没有搞懂的问题基本都搞清楚了，感觉很有必要写一篇总结性质的博客。PCA，SVD非常类似，但在细节处又有一些差别，需要我们认真去区分。以下我先会简单介绍这三种算法及其应用，最后来分析三者的相同点和不同点。 这篇博客主要参考了以下这些资料： Eigenfaces, for facial reco...
机器学习—PCA算法
qq_66115149的博客
01-01 2002
整个PCA的求解过程涉及到矩阵的乘法、特征值分解等线性代数运算，通过这些运算，我们能够找到原始数据中最主要的方向，从而实现降维。PCA的本质是将原始特征通过线性变换，转换为新的基下的坐标，以保留最大的方差信息。
从零开始实现主成分分析(PCA)算法
热门推荐
风雪夜归子
10-26 8万+
声明：版权所有，转载请联系作者并注明出处: http://blog.youkuaiyun.com/u013719780?viewmode=contents知乎专栏： https://www.zhihu.com/people/feng-xue-ye-gui-zi前面两篇文章详细讲解了线性判别分析LDA，说到LDA，就不能不提到主成份分析，简称为PCA，是一种非监督学习算法，经常被用来进行数据降维、有损数据压缩
python主成分分析_Python机器学习笔记：主成分分析（PCA）算法
weixin_39570530的博客
11-28 1984
一：引入问题首先看一个表格，下表是某些学生的语文，数学，物理，化学成绩统计：首先，假设这些科目成绩不相关，也就是说某一科目考多少分与其他科目没有关系，那么如何判断三个学生的优秀程度呢？首先我们一眼就能看出来，数学，物理，化学这三门课的成绩构成了这组数据的主成分（很显然，数学作为第一主成分，因为数据成绩拉的最开）。那么为什么我们能一眼看出来呢？当然是我们的坐标轴选对了！！下面，我们继续看一个表格，下...
机器学习算法之主成分分析法（PCA）
m0_64087341的博客
11-23 2755
主成分分析（PCA）是一种线性降维技术，旨在通过正交变换将高维数据投影到一个低维空间中，同时尽可能保留数据的主要信息。PCA通过找到数据中方差最大的方向（即主成分），将数据沿这些方向进行投影，从而实现降维。主成分分析（PCA）是一种强大的降维工具，通过线性变换将高维数据映射到低维空间，同时保留数据中的主要信息。在实际应用中，PCA不仅可以用于数据压缩和特征提取，还可以帮助我们更好地理解数据结构。希望通过本文的介绍和案例分析，能够让你对PCA有更深入的理解。
[Machine Learning] 12 降维(Dimensionality Reduction)
今天你DEBUG了吗
07-20 564
点Ta12 Dimensionality Reduction(降维)12.1 Motivation I_ Data Compression 12 Dimensionality Reduction(降维) 12.1 Motivation I_ Data Compression 第二种无监督学习问题，称为降维。使用降维可以实现数据压缩，数据压缩不仅压缩数据，因而使用较少的计算机内存或磁盘空间，但它也让我们加快我们的学习算法。 但首先，让我们谈论降维是什么。作为一种生动的例子，我们收集的数据集，有许多， 许多特征
机器学习pca计算题
01-02
### 主成分分析 (PCA) 的概念 主成分分析（Principal Component Analysis, PCA）是一...对于更深入的理解以及手动生成PCA的结果，可以参考具体的数学推导过程[^3]。这通常涉及计算协方差矩阵、求解特征值问题等步骤。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值