机器学习入门之主成分分析（及MATLAB实现）

最新推荐文章于 2025-06-04 20:54:28 发布
最新推荐文章于 2025-06-04 20:54:28 发布
阅读量6.6k 收藏 4
点赞数
CC 4.0 BY-SA版权
分类专栏： 机器学习 文章标签： 机器学习 MATLAB PAC 主成分分析 降维
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/dhaduce/article/details/79033403
该博客介绍了如何使用MATLAB进行主成分分析（PCA），具体应用是在Yale人脸数据库上进行降维。通过读取165张图片，转换并进行PCA分析，展示前20个特征向量对应的图像，并讨论了如何保留前k个特征以减少数据维度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

本次学习使用MATLAB中的PCA函数对Yale人脸数据库进行降维，并观察前20个特征向量所对应的图像。欢迎大家一起讨论，进步。


设计思路

1.读取人脸数据：将165张图片保存在info中，每一行代表一张图片（100*100维），共165列

A. 设置图片路径

B. 根据路径读取图片

C. 将100*100的图片转化为一行，即1*10000

D. 把转化后的图片保存在info中

最低0.47元/天 解锁文章

200万优质内容无限畅学
机器学习笔记(四）PCA主成分分析
cqu_peter的博客
10-03 824
首先先复习一下要用到的基础的知识： （一）、协方差和方差 样本均值： 样本方差： 样本X和样本Y的协方差： 协方差代表了两个变量之间的相关关系，协方差为正时，说明X和Y是正相关关系；协方差为负时，说明X和Y是负相关关系；协方差为0时，说明X和Y是相互独立。Cov(X,X)就是X的方差。当样本是n维数据时，它们的协方差实际上是协方差矩阵(对称方阵)。例如，对于3维数据(x,y,...
主成分回归代码matlab及例子-coursera_ml:Coursera机器学习Matlab代码
05-26
主成分回归代码matlab及示例Coursera机器学习Matlab代码 介绍 这些文件来自Andrew Ng的Coursera机器学习课程，我最初于2014年6月参加该课程。此课程已转换为按需版本，您可以在上找到。 格式 每周重点讨论不同的机器...
matlab 实现主成分分析（PCA）
06-04
基于matlab实现PCA降维算法，可用于多维数据的损失最小化压缩，内附全代码
matlab机器学习主成分分析实现代码
08-09
根据PCA基本原理自己写的PCA算法实现代码，没有使用封装函数，主成分分析函数代码，基于最原始的主成分分析理论，可与吴恩达机器学习课程配套使用
【机器学习】利用PCA对人脸图像进行降维与重建
最新发布
summer6c的博客
06-04 344
执行后，程序会展示测试集前5张图像的原始和PCA重建效果。20个主成分已经足够保留图像的主要特征；重建图像虽有细节丢失，但整体轮廓清晰；PCA有效降低了数据维度，方便后续的机器学习任务。
试使用matlab的PCA函数对Yale人脸数据进行降维，并观察前20个特征向量对应的图像
qq_41224398的博客
12-17 5842
学习笔记： PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上， 这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。PCA的工作就是从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中： 第一个新坐标轴选择是原始数据中方...
降维算法实战项目（2）—使用PCA对图像降维（Python代码+数据集）
wzk4869的博客
07-30 5986
降维算法实战项目（2）—使用PCA对图像降维（Python代码+数据集）
机器学习入门到实践-MATLAB实践应用全书源码
01-13
《机器学习入门到实践-MATLAB实践应用全书源码》是一本专注于引导初学者进入机器学习领域的书籍，特别强调了使用MATLAB这一强大的计算环境进行实际操作。MATLAB（矩阵实验室）以其丰富的数学函数库和友好的用户界面...
主成分回归在Matlab中的实现及Coursera机器学习示例
资源摘要信息:"本资源是一个关于主成分回归（PCA regression）的实现代码及例子，该代码是用MATLAB编写的，并且与Coursera上Andrew Ng所提供的机器学习课程内容相关。资源中不仅包含了主成分回归的实现代码，而且...
Matlab与机器学习入门 进阶与提高13降维与特征选择.zip
07-28
本教程“Matlab与机器学习入门 进阶与提高13降维与特征选择”旨在帮助初学者和进阶者掌握如何在Matlab环境下有效地进行这两个过程。 首先，降维是解决数据维度过多导致的“维度灾难”问题，减少计算复杂性，同时...
模式识别和机器学习实战-降维算法（PCA）- Python实现 - 半导体数据进行降维处理和人脸检测
LeoEdwin的博客
04-11 4539
文章目录前言一、 降维算法1.算法介绍2.主成分分析PCA3.在Numpy中实现PCA二、利用PCA对半导体制造数据降维三、实战四、代码1.主成分分析PCA2.对半导体数据进行降维处理3.人脸检测算法 前言 降维是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。通过降维可以减少 冗余信息所造成的误差,提高识别的精度，或者通过降维算法来寻找数据内部的本质结构特征。 先介绍和解释步骤，分段介绍；最后再给出完整源码，只需修改一下文件路径即可运行。 而具体的数据集文件和代码，在如下链接里：降维算法（
Python-PCA降维人脸识别，已包含yale数据库
08-20
本人在https://blog.youkuaiyun.com/u010006643/article/details/46417127博客上看到的，奈何数据库没有，本人结合网上流传的数据库yale,写下了可以运行得出结果的PCA降维，人脸识别程序，特别适合numpy和PCA学习。我第二次上传资源，感谢平台支持。谢谢大家支持。代码注释很详细，注意我把人脸图片在文件夹之内看成二维的数组。实验表明，PCA对于光照很敏感。
基于PCA使用Yale人脸数据库的人脸识别代码，实现了画特征脸
05-30
直接下载，在matlab运行即可。里面的result是我当时写的结果，如果不需要可以删除。
yale人脸图片与PCA结果
08-18
yale人脸图片 以及通过PCA降维后生成的图片
matlab主成分分析源代码
08-21
MATLAB主成分分析源代码及工具箱。计算协差矩阵、特征根和特征向量、方差贡献率;累计方差贡献率、相关系数矩阵，简单实用，欢迎大家下载。
[350]Scikit-learn实例之Pca+Svm人脸识别(AT&T数据集)
周小董
08-01 4174
理论基础    本算法流程就是用主成分分析（Pca）对人脸数据集进行降维，得到数个人脸特征向量。对于任意一个人脸样本，将样本数据向特征向量投影，得到的投影系数作为人脸的特征表示。使用支持向量机（SVM）对这些不同的投影系数向量分类，来进行人脸识别。   （1）人脸识别经典算法：特征脸（Eigenface）人脸识别之特征脸  &a
学习matlab第10天
qq_45775163的博客
10-30 222
5.10三维特殊图形 三维线性图函数plot3 三维条形图bar3，barh3，三维饼图pie3 三维散点图scatter3 三维茎叶图stem3 5.10.1三维线性图 三维线性图的书写格式为 plot3（X，Y，Z） 5.10.2三维条形图 书写格式bar3(Y) bar3(X,Y) bar3(…,width)对于bar3（…,width)用来设置立体条形的宽度，默认0.8 5.10.3三...
机器学习PCA降维
liuxiongfeng22的博客
11-13 258
【Python】使用sklearn PCA对人脸数据降维
qq_40876059的博客
07-28 8214
【python】sklearn PCA对人脸数据降维与识别1. PCA1.1 PCA原理1.2 sklearn PCA使用方法2. 人脸数据降维2.1 读取图片2.2 使用PCA进行降维参考文献 1. PCA PCA(Principal Component Analysis)，即主成分分析方法，是一种使用最广泛的数据降维算法。PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。 1.1 PCA原理 PCA算法步骤是从原始的空间中顺序
机器学习新手入门：MATLAB实现经典例程详解
该文件中包含了使用MATLAB语言编写的代码实现，涵盖了多个机器学习领域的典型例子，如二元线性回归、逻辑回归、主成分分析（PCA）以及Whitening技术。下面将详细介绍这些知识点。 ### 1. 二元线性回归（Binary ...
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