主成成分分析-PCA

最新推荐文章于 2025-05-24 12:09:44 发布
最新推荐文章于 2025-05-24 12:09:44 发布
阅读量1.1k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 数据挖掘与机器学习 文章标签： 数据挖掘 机器学习
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/kan2281123066/article/details/77183343
主成分分析（PCA）是一种常用的数据降维方法，通过转换找到数据的主要成分。本文介绍了PCA的背景、数据降维的本质，以及PCA的步骤，包括求协方差矩阵、特征值和特征向量，最后通过实例展示了PCA如何将原始数据映射到低维空间。

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

1、 问题描述
下表1是某些学生的语文、数学、物理、化学成绩统计：

这里写图片描述

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，因为数学成绩拉的最开）。为什么一眼能看出来？因为坐标轴选对了！下面再看一组学生的数学、物理、化学、语文、历史、英语成绩统计，见表2，还能不能一眼看出来：

这里写图片描述

数据太多了，以至于看起来有些凌乱！也就是说，无法直接看出这组数据的主成分，因为在坐标系下这组数据分布的很散乱。究其原因，是因为无法拨开遮住肉眼的迷雾~如果把这些数据在相应的空间中表示出来，也许你就能换一个观察角度找出主成分。如下图1所示：

最低0.47元/天 解锁文章

200万优质内容无限畅学
线性判别分析与主成分分析
weixin_43294411的博客
11-29 1188
成分分析是一种无监督降维，它识别数据差异最大的属性组合 线性判别分析是一种有监督降维，它识别在类别上差异最大的属性组合 import matplotlib.pyplot as plt from sklearn import dataset from sklearn.decomposition import PCA from sklearn.discriminant_analysis import LinearDiscriminantAnalysis # 加载数据集 iris = dataset.lo.
主成分分析（PCA）与线性判别分析（LDA）的区别与联系
iceberg7012的博客
10-21 8202
LDA用于降维，和PCA有很多相同，也有很多不同的地方，因此值得好好的比较一下两者的降维异同点。 相同点： 1）两者均可以对数据进行降维。 2）两者在降维时均使用了矩阵特征分解的思想。 3）两者都假设数据符合高斯分布。 不同点： 1）LDA是有监督的降维方法，而PCA是无监督的降维方法 2）LDA降维最多降到类别数k-1的维数，而PCA没有这个限制。 3）LDA除了可以用于降维，还可以用于分类。 4）LDA选择分类性能最好的投影方向，而PCA选择样本点投影具有最大方差的方向。 这点可以从下图形象的看出，在某
Excel实现主成分分析的步骤与应用
weixin_32661831的博客
05-24 510
主成分分析（PCA）是一种统计技术，用于降维，即将数据从高维空间转换到低维空间，同时保留数据中最重要的变量。PCA在数据预处理、特征提取和数据可视化等方面有着广泛的应用。为了弥补Excel自身的局限性，一些第三方开发者推出了专门用于PCA分析的Excel插件。这些插件一般通过增加专门的用户界面来简化操作流程，用户无需复杂的公式和命令即可完成PCA分析。插件通常包括数据导入导出功能、高级矩阵运算和统计分析功能。使用这些插件可以帮助用户更有效地进行特征值求解、特征向量提取、主成分选择和可视化等。
主成分分析&线性判别分析(学习笔记)
weixin_38907330的博客
11-28 1746
主成分分析是一种线性降维方法，线性降维的另外一种方法是LDA，在这两个过程中协方差矩阵的计算是最关键的部分。 核心思想：计算协方差矩阵以及其特征向量和特征值，寻找前N个最大特征值对应的特征向量， 为什么这么做：协方差矩阵（散布矩阵）在模式识别中应用广泛，最典型的应用是PCA主成分分析了，PCA主要用于降维，其意义就是将样本数据从高维空间投影到低维空间中，并尽可能的在低维空间中表示原始数据。这就...
主成分分析(PCA)/线性判别分析(LDA)总结
J~的博客
01-31 1962
1 PCA PCA（Principal Component Analysis） 是一种常见的数据分析方式，常用于高维数据的降维，可用于提取数据的主要特征分量。 关于PCA的原理强烈推荐这篇文章PCA的数学原理 2 LDA 之前我们讨论的 PCA降维，对样本数据来言，可以是没有类别标签 y 的。如果我们做回归时，如果特征太多，那么会产生不相关特征引入、过度拟合等问题。我们可以使...
Matlab-Project.zip_pca_pca 主成分析_主成成分分析
09-24
**主成分分析(PCA)详解** 主成分分析（Principal Component Analysis，PCA）是统计学中一种常用的数据分析方法，尤其在机器学习和数据挖掘领域有着广泛的应用。PCA的主要目标是通过线性变换将原始的高维数据转换为...
数据分析面试【机器学习】总结之-----PCA主成成分分析 常见面试题整理
天阑之蓝的博客
08-14 3757
阅读之前看这里????：博主是正在学习数据分析的一员，博客记录的是在学习过程中一些总结，也希望和大家一起进步，在记录之时，未免存在很多疏漏和不全，如有问题，还请私聊博主指正。 博客地址：天阑之蓝的博客，学习过程中不免有困难和迷茫，希望大家都能在这学习的过程中肯定自己，超越自己，最终创造自己。 目录1.PCA定义2.PCA具体计算步骤3.降维之后的维度怎么确定4.降维的必要性5.降维的目的：6.给你一个数据集。该数据集包含很多变量，你知道其中一些是高度相关的。经理要求你用PCA。你会先去掉相关的变量吗？为什
PCA-examples.rar_主成分分析_主成分析_主成成分分析
07-14
主成分分的示例和讲解，对学习主成分分析有很好的作用，主成分分析有很好的应用范围，希望能帮到大家
人脸识别-PCA主成分析法和BP神经网络
最新发布
08-16
人脸识别-PCA主成分析法和BP神经网络的最新、最全版本资源提供了在该技术领域中的经典算法实现，为相关领域的研究和开发提供了便利。开发者可以通过这一资源快速掌握人脸识别的核心算法，并在此基础上进行拓展和创新...
pca.zip_PCA SVD_SVD-pca_SVD分析_pca_主成分分析
07-13
PCA（主成分分析）是一种广泛应用于数据分析和降维的技术，其目标是将高维度的数据转换成一组线性无关的新变量，这些新变量被称为主成分。这些主成分是原始数据方差最大的方向，使得数据在较少的维度上可以保留大...
主成分分析（PCA）和线性判别分析（LDA）
math_computer的博客
12-19 492
参考 PCA： PCA发挥作用的实例（实践证明）https://www.jianshu.com/p/0227aa77425f PCA前的数据预处理：去中心，标准化（理论取胜）https://blog.youkuaiyun.com/u010182633/article/details/45918737 训练集和测试集上的做法（操作上的细节）http://wenda.chinahadoop.cn/quest...
运用scikit-learn库进行主成分分析和线性判别分析
王樰沫
02-10 577
运用scikit-learn库进行主成分分析和线性判别分析一、主成分分析二、线性判别分析 一、主成分分析 在进行数据分析之前，先对数据进行预处理。 # 读取酒数据 import pandas as pd df_wine = pd.read_csv('wine.csv', header=None) df_wine.columns = ['Class label', 'Alcohol', 'Malic...
PCA和LDA原理
hxl
09-23 1021
PCA的作用 主成分分析简称 PCA（Principal Component Analysis），有两个大的用处 1.Clustering 把复杂的多维数据点，简化成少量数据点，易于分簇 2.降维 降低高维数据，简化计算 降低维度，压缩，去噪 原来的数据集是d维，转换成k维的数据，k<d 新的k维数据尽可能多的包含原来d维数据的信息 数据压缩 PCA求解 2维降维到1维: 寻找一个一维向量的方向，数据在这个向量上的投影能最小化损失 从n维降维到k维：寻找一个k维向量，数据在这个k维空间的投影能
机器学习(30)之线性判别分析(LDA)原理详解
热门推荐
机器学习算法与Python学习
12-07 1万+
微信公众号 关键字全网搜索最新排名 【机器学习算法】：排名第一 【机器学习】：排名第一 【Python】：排名第三 【算法】：排名第四 前言 在主成分分析（PCA）原理总结（机器学习(27)【降维】之主成分分析(PCA)详解）中对降维算法PCA做了总结。这里就对另外一种经典的降维方法线性判别分析（Linear Discriminant Analysis, 简称LDA）做一个总结。
PCA和LDA数学原理
fighting1_1的博客
05-02 413
https://blog.youkuaiyun.com/shenziheng1/article/details/60467527、https://blog.youkuaiyun.com/shenziheng1/article/details/60465783、https://blog.youkuaiyun.com/shenziheng1/article/details/60467527
机器学习---线性判别分析和主成分分析
J
02-20 1291
机器学习—线性判别分析和主成分分析 1.通俗解释： 线性判别分析(Linear Discriminant Analysisi,LDA)与主成分分析（Principle Component Analysis，PCA）都是线性降维（Dimension Reduction）的算法，区别在于LDA是有监督的降维，而PCA是无监督的降维。LDA旨在寻找一个有标签的训练数据集上的最佳投影，是这个投影中同类的数据点较为集中，而不同类的数据点之间尽量分散，从而实现对新样本的判别。 PCA则是对于一个无标签的高维的训练样本集
线性判别分析（LDA）原理
propellant_j的博客
08-16 329
     
两种降维方法原理：PCA和LDA
SnowQueen1024的博客
12-13 993
1、PCA(主成分分析) 无监督降维技术，利用正交变换把由线性相关变量表示的观测数据转换为少数几个由线性无关变量表示的数据，线性无关的变量称为主成分。 LDA选择的是投影后数据方差最大的方向。因此PCA假设方差越大，代表的信息量越大，使用主成分来表示原始数据可以去除冗余的维度，达到降维的目的。 [----暂未了解----] 2、LDA(线性判别分） 有监督的，选择的是投影后类内方差小、类间方差大的...
评论 1
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