初学PCA（主元分析）后的理解

最新推荐文章于 2023-09-02 16:44:29 发布
原创 最新推荐文章于 2023-09-02 16:44:29 发布 · 1.5k 阅读 · 2 ·
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：

#人脸识别 #测试

本文介绍了PCA（主元分析）的基本步骤，用于降低数据量和提取主要信息。在人脸识别场景中，PCA通过计算协方差矩阵、特征值和特征向量实现降维。OpenCV提供了cvCalcPCA函数，便于进行PCA变换。通过选取不同数量的主元（PC），可以平衡数据量减少与识别效果之间的关系。

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

最近搞了一段时间人脸识别（我是菜鸟入门级），写下理解方便以后自己查阅，也跟大家多交流交流。

主元分析，顾名思义找出数据中最主要的信息，去除次要的，以降低数据量。

具体步骤是：

1.对每个样本提取出有用的信息组成一个向量；

2.求取出所有样本向量的平均值；

3.用每个样本向量减去向量的平均值后组成一个矩阵；

4.该矩阵乘以该矩阵的逆为协方差矩阵，这个协方差矩阵是可对角化的，对角化后剩下的元素为特征值，每个特征值对应一个特征向量（特征向量要标准化）；

5.选取最大的N个特征值（其中N即为PCA的主元（PC）数，我感觉这个主元数是PCA的核心之处，可自己选取数的多少，数越少，越降低数据量，但识别效果也越差），将这N个特征值对应的特征向量组成新的矩阵；

6.将新的矩阵转置后乘以样本向量即可得到降维后的数据（这些数据是原数据中相对较为主要的，而数据量一般也远远小于原数据量，当然这要取决于你选取的主元数）。

 

PCA在OpenCV中有现成的

最低0.47元/天 解锁文章

200万优质内容无限畅学
Python——PCA主成分分析
weixin_44823313的博客
03-04 1838
PCA主成分分析 输入X，降低后的维度k def PCA_Batch_Feat(X, k, center=True): """ param X: BxCxHxW param k: scalar return: """ B, C, H, W = X.shape X = X.permute(0, 2, 3, 1) # BxHxWxC X = X.reshape(B, H * W, C) U, S, V = torch.pca_lowran
PCA的一些看法
memory的专栏
03-31 1201
PCA主元分析，即找出数据中最主要的信息，去除次要的，以降低数据量。 具体步骤是： 1.对每个样本提取出有用的信息组成一个向量； 2.求取出所有样本向量的平均值； 3.用每个样本向量减去向量的平均值后组成一个矩阵； 4.该矩阵乘以该矩阵的逆为协方差矩阵，这个协方差矩阵是可对角化的，对角化后剩下的元素为特征值，每个特征值对应一个特征向量（特征向量要标准化）； 5.选取最大的N个特征值（其
（二）评价模型——主成分分析（PCA）
最新发布
weixin_70267340的博客
09-02 2756
首先先来说明一下，主成分分析现在多用来进行，将大量数据进行后，再使用其他的算法进行进一步的分析，降维可以去除噪声和不重要的特征，从而实现提升数据处理速度的目的。在实际的生产和应用中，降维在一定的信息损失范围内，可以为我们节省大量的时间和成本。降维也成为应用非常广泛的数据预处理方法。（这个方法一般需要结合使用）当然，如果要对数据进行降维处理，我们还有其他的方法：比如奇异值分解（SVD）、主成分分析(PCA)、因子分析(FA)、独立成分分析(ICA)。
如何理解主元分析（PCA）
lingchuxiao的博客
01-17 647
https://www.matongxue.com/madocs/1025.html
PCA类与主成成分的实现(opencv)
u012507022的博客
03-25 2167
//主成分分析类 class CV_EXPORTS PCA { public: PCA(); //默认构造函数 //构造函数 PCA(InputArray data, //进行PCA变换的数据矩阵 InputArray mean, //平均值(可选),如果此项为空,均值根据da
PCA.rar_PCA matlab_PCA提取主元_PCA数据压缩_pca_主元分析法
09-24
PCA，即主成分分析（Principal Component Analysis），是一种广泛应用于数据分析领域的统计方法，...对于初学者来说，理解PCA的基本原理和MATLAB实现是至关重要的，它将有助于深入理解和应用这一强大的数据分析技术。
主元_主元_
10-04
主元分析（Principal Component Analysis，PCA）是一种广泛应用的数据分析方法，尤其在降维和特征提取领域。MATLAB作为强大的数值计算环境，提供了便捷的工具箱来实现主元分析。在这个实例中，我们将深入探讨PCA的...
MATLAB实现主元分析（PCA）教程代码
主元分析（Principal Component Analysis, PCA）是一种常用的数据降维技术，它通过正交变换将可能相关的变量转换为一系列线性不相关的变量，这些新变量称为主成分。PCA经常在数据预处理、特征提取和数据压缩等场景下...
PCA主成分数量（降维维度）选择
热门推荐
ybdesire的专栏
03-21 6万+
用PCA做降维，降到多少维合适呢？
error C2065: “CV_DATA_AS_ROW”: 未声明的标识符
Smile@小女子的博客
05-29 649
ce_dect\main_face.cpp(117): error C2065: “CV_DATA_AS_ROW”: 未声明的标识符 将 “CV_DATA_AS_ROW” 改为 PCA::PCA::DATA_AS_ROW PCA::PCA(InputArray data, InputArray mean, int flags, int maxComponents=0) 该构造函数的参数1为要进行PCA变换的输入Mat； 参数2为该Mat的均值向量； 参数3为输入矩阵数据的存储方式，如果其值为CV_PCA_D
python解zuobiaoxi方程_矩阵的特征分解（推导+手算+python计算+对称矩阵的特征分解性质）...
weixin_39737224的博客
11-20 676
1. 前言最近几天一直在学习矩阵的知识，恶补了特征分解和SVD算法，发现网上很多资料都是不全的，所以想记录一下这里面的特征分解推导过程。要学会矩阵的特征分解，可以提前看矩阵的一些基础知识： https://blog.youkuaiyun.com/qq_30232405/article/details/1045882932.矩阵的进阶知识2.1 特征分解（谱分解）=>只可以用在方阵上2.1.1 特征分解...
OpenCV统计应用-PCA主成分分析(图像完全解读)
王伟挺的专栏
05-09 7850
在图形识别方面,主成分分析(Principal Comonents Analysis,PCA)算是比较快速而且又准确的方式之一,它可以对抗图形平移旋转的事件发生,并且藉由主要特征(主成分)投影过后的数据做数据的比对,在多个特征信息里面,取最主要的K个,做为它的特征依据,在这边拿前面共变量矩阵的数据来做沿用,主成分分析使用的方法为计算共变量矩阵,在加上计算共变量矩阵的特征值及特征向量,将特征值以及所
OpenCV学习笔记（四十八）——PCA算法实现core
迭代的是人，递归的是神
04-10 2万+
PCA（principal component analysis，主成分分析），我想是大家用的最多的降维手段，对于PCA的理解，我想大神们都各有各的绝招，可以应用的场合也非常多。下面就介绍一下OpenCV中PCA这个类，因为常用，所以这个类相对OpenCV而言显得比较独立，放在了core这部分中。 PCA类的成员函数包括构造函数、运算符重载（）、project、backProject这几个函数，
opencv学习-算法-pca
siliang13的专栏
11-17 1793
申明，本文转载自http://blog.youkuaiyun.com/yang_xian521/article/details/7445536 PCA（principal component analysis，主成分分析），我想是大家用的最多的降维手段，对于PCA的理解，我想大神们都各有各的绝招，可以应用的场合也非常多。下面就介绍一下OpenCV中PCA这个类，因为常用，所以这个类相对OpenCV而
PCA的数学原理
wxing2008666的专栏
06-28 6657
PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。 当然我并不打算把文章写成纯数
如何理解主元分析（PCA）？
飘过的春风
09-03 1380
原文 https://mp.weixin.qq.com/s/oqnb8yv0bJ__OLpcBSvtVg
PCA
渣渣
02-11 500
Principal Component Analysis(PCA)算法。 降维是对高维数据去除不重要特征与噪声，只保留重要特征的方法，会损失一定信息。 目录 优点： 基本原理 PCA推导 基于最大化投影后方差 基于最小投影距离 PCA Code（python） Ref 优点： 减少变量数量，有利于发现规律。 高维空间具有稀疏性，希望数据变得更加稠密，降低计算开销。 某种程...
opencv中PCA源码理解与训练、使用
一休哥的专栏
05-11 4430
/****************************************************************************************\ * PCA * \*****************
PCA降维（主成分分析）处理训练集后，线上正式数据应该如何处理？
TURING.DT
10-21 9542
训练数据集在使用PCA进行数据降维后，用基本分类器进行训练得到一个分类模型，那线上预测真实数据应该怎么办？应该不能直接放入训练的分类模型中去吧？ 答：当然不能，要用你从训练数据里面得到的那个降维矩阵对测试数据降维，然后再送给分类器。 如何理解？如何操作？ 参考PCA+SVM的模型的保存及使用 训练模型的代码，仔细阅读注释内容 import numpy as np import os im...
PCA主元分析：从原理到应用
PCA（主元分析）是数据分析中的一种重要方法，它的核心目标是通过对高维数据进行变换，找到一组新的坐标系，使得新坐标系下的数据方差最大化，从而降低数据的复杂性。PCA通过将原始数据投影到一个新的坐标系统中，...
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