PCA（主成分分析）浅析

最新推荐文章于 2024-11-17 18:15:27 发布
原创 最新推荐文章于 2024-11-17 18:15:27 发布 · 1k 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#PCA #主成分分析 #浅析

PCA（主成分分析）是一种用于高维数据降维的方法，通过线性变换找到最具区分性的特征。基本步骤包括计算样本协方差矩阵，求解特征值和特征向量，依据特征值大小选取特征向量构建降维后的特征矩阵。PCA适用于数据标准化后的处理，常用数据标准化方法包括min-max和Z-score。PCA的目标是对协方差矩阵进行对角化，选择方差大的维数，确保转换后的基相关性弱。

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

基本知识：

方差：     少了个平方 


协方差：协方差用于衡量两个变量的总体误差情况，可以说方差是协方差的一种特殊情况，即当两个变量是相同的情况   

          

        

最低0.47元/天 解锁文章

200万优质内容无限畅学
PCA算法之特征值分解
shiyueyue0822的博客
03-06 1106
奇异值分解和特征值分解都是对矩阵进行分解的不同方法，所谓分解，即使将原矩阵拆分成另一种表达方式，且新的表达方式比原矩阵更简单，更具有实际意义。奇异值分解对象可以使任意n*m维的矩阵，而特征值分解只能针对n*n的方阵，特征值分解从某种意义上来说可以算是奇异值分解的一种特殊情况，所以下面先对特征值分解进行一个描述。 对角阵： 其实这种矩阵有特殊性，比如除了其主对角线元素外的所有元素都是0，这...
主成分分析碎石图_用户体验数据的多维度处理：PC A法及碎石图
weixin_42236063的博客
12-30 2928
无关乎算法原理，本文将从用户体验的角度，着重分析多维度数据处理的降维方法：主成分分析法(PC A)主成分分析法(PC A)：类似SUS，该方法能够将诸多因子如(满意度，可用性，简易性等多指标转化成低维度数据，以数字或图表的形式直观呈现)，并介绍反映维度数量与误差性关系的图表–碎石图及其算法(基于PC A)。前文我们提到了用户体验数据化的广泛例子–系统可用性量表SUS，但是在实际用户体验研究过程中，...
PCA的本质----特征值分解
Sunshine_in_Moon的专栏
05-27 2万+
相信大家对PCA并不陌生，但是PCA的本质你是否了解呢？今天就给大家简单讲讲，也是自己对PCA的一个巩固。博客中使用的图片来自七月算法的程博士的PPT，在此感谢程博士课上的耐心讲解。      1、特征值个特征向量     我相信大家对于这个式子非常熟悉，但是你真正的理解这个式子了吗？特征向量和特征值到底有什么意义呢？说实话，在听程博士的课之前我一直迷惑，不过现在懂了。     首先，我们
主成分分析法及特征值的含义
My Sunshine
12-02 5万+
主成分分析法是一种非常适用，又相对简单的数据处理的方法。它是利用降维的方法，将数据表示的信息的主要成分提取出来，所以叫做主成分分析法。  从它的作用可以看出来，它的运用非常的广泛:  1. 显而易见，由于它可以提取主要的信息成分，所以它可以用来过滤掉信号的噪声。 2.它可以用于合并特征。当有一些信息相关性非常大的时候，我们可以用主成分分析法把它们合并成一个特征。 3.它
PCA中特征值的计算公式推导
彬彬侠的博客
11-17 1189
在主成分分析（PCA）中对计算特征值的公式 det(Σ−λI)=0 做了一个具体的推导，推导中给出了数学完整的计算步骤
主成分分析（PCA）中的特征值与特征向量，特征值是不是数据在特征向量方向上的方差
不解不惑
04-22 8057
1.PCA的计算步骤 （1）求协方差矩阵 （2）求协方差矩阵的特征值和特征向量 （3）选取前K个特征向量使得贡献率达到85%以上 （4）获得降维后的数据 2.数据在特征向量方向上可以获得最大的方差，可以了解成在该方向上数据的区分度最高，信息量最大 3.协方差的意思 如果结果为正值，则说明数据是正相关的（从协方差可以引出“相关系数”的定义） 数值越大表示相关性越高，方差是...
浅析遥感影像变化检测中IR-MAD、MAD、CVA、PCA算法
最新发布
08-08
PCA是主成分分析，常用于降低遥感影像的维度并提取主要信息。在变化检测中，PCA可以将多光谱数据转换到新的坐标系，使得主要变化体现在新的主成分上。这有助于减少噪声干扰，提高变化检测的敏感性和稳定性。 这些...
主成分分析法构建系统评估指数的限制条件探讨
该论文深入探讨了"用主成分分析法建立系统评估指数的限制条件浅析"这一主题。作者王惠文来自北京航空航天大学管理学院，他首先概述了主成分分析法的基本原理，这是一种在多元统计分析中常用的工具，尤其在系统评估...
【深入浅出SIMCA】：主成分分析在多变量数据中的关键角色
SIMCA（Soft Independent Modeling of Class Analogy）是一种基于主成分分析（PCA）的模式识别方法，被广泛用于多变量数据分析。本文首先介绍了SIMCA方法的基础理论和关键概念，阐述了PCA在多变量数据分析中的重要性...
从物理意义上了解PCA
weixin_41994174的博客
09-09 1967
从物理意义上了解PCA 什么是线性变换 什么是线性变换？ 一个变换同时具有以下2条性质，则它是一个线性变换： 1.变换前后，所有直线仍是直线。 2.变换前后，原点保持不变。 具体参考：https://www.cnblogs.com/joefish/p/8150006.html 如何描述一个线性变换 通常，要描述一个线性变换，我们可以通过一个矩阵来表示。 在表示一个向量时，我们最常使用的两个基分别是...
成分分析PCA以及特征值和特征向量的意义
weixin_30399055的博客
06-27 1525
https://blog.youkuaiyun.com/weixin_38314865/article/details/84190175 定义：主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。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...
机器学习——PCA
wsndddhh的博客
06-18 7503
PCA（Principal Component Analysis，主成分分析）是一种常用的数据降维技术，它可以将高维数据转换为低维数据，同时保留数据的关键特征。在机器学习和数据分析中，PCA 可以帮助减少特征的数量，降低计算成本，去除噪声并防止过拟合。
数据降维：主成分分析法（PCA）
weixin_53972936的博客
03-06 1万+
主成分分析是一种最常用的无监督降维方法，通过降维技术把多个变量化为少数几个主成分的统计分析方法。这些主成分能够反映原始变量的绝大部分信息，它们通常表示为原始变量的某种线性组合。
数据预处理-归一化与z-score标准化
热门推荐
小刀的专栏
06-25 7万+
归一化： 归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。 在多种计算中都经常用到这种方法。 线性函数转换： y=(x-MinValue)/(MaxValue-MinValue) 说明：x、y分别为转换前、后的值，MaxValue、MinValue分别为样本的最大值和最小值。 对数函数转换： y=log10(x) 说
主成分分析算法
a353833082的专栏
06-30 810
1.数据预处理:均值中心化，方差归一化 2.计算各变量协方差矩阵 3:计算特征值，特征向量 4:将特征值从大到小排序，选前k大的，其对应的特征向量组成线性变换矩阵。 5:将原数据以特征变换矩阵进行线性变换，得到k维数据 k值选择:方差损失小于一定阈值 理论基础:方差最大化，均方误差最小化
z分数（z-score）——之前世今生
bluewater的专栏
04-14 3万+
z分数（z-score）:也叫标准分数（standard score），是一个分数与平均数的差再除以标准差的过程。 公式： z=(x-μ)/σ。其中x为某一具体分数， μ为平均数，σ为标准差。 Z值的量代表着原始分数和母体平均值之间的距离，是以标准差为单位计算。即:一个给定分数距离平均数多少个标准差？在原始分数低于平均值时Z则为负数，反之则为正数。  一个数列的各z分数的平方和等于该数列数据的个
使用TASSEL学习GWAS笔记（4/6）：一般线性模型进行GWAS分析（GLM模型）
邓飞----育种数据分析之放飞自我
08-22 4324
外面下着雨， 笔记计划分为六篇： 第一篇：读取plink基因型数据和表型数据 第二篇：对基因型数据质控：缺失质控，maf质控，hwe质控，样本质控 第三篇：基因型数据可视化：kingship，LD，MDS，PCA 第四篇：一般线性模型进行GWAS分析（GLM模型） 第五篇：混合线性模型进行GWAS分析（MLM模型） 第六篇：TASSEL结果可视化：QQ plot，曼哈顿图 已完成前三篇，本篇是第四篇。 1. 将质控的plink数据和表型数据读入到TASSEL软件 质控后的plink数据和表型数据： 读取表
主成分分析碎石图_主成分分析大全
weixin_39850981的博客
12-20 5409
1 背景主成分分析法是数据挖掘中常用的一种降维算法,是Pearson在1901年提出的,再后来由hotelling在1933年加以发展提出的一种多变量的统计方法，其最主要的用途在于“降维”，通过析取主成分显出的最大的个别差异,也可以用来削减回归分析和聚类分析中变量的数目，与因子分析类似。所谓降维，就是把具有相关性的变量数目减少，用较少的变量来取代原先变量。如果原始变量互相正交，即没有相关性，则主成...
数据标准化/归一化normalization
yusisc的博客
11-21 5254
数据标准化/归一化normalization - 皮皮blog - 优快云博客  http://blog.youkuaiyun.com/pipisorry/article/details/52247379 http://blog.youkuaiyun.com/pipisorry/article/details/52247379 这里主要讲连续型特征归一化的常用方法。离散参考[数据预处理：独热编码（One-H
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