LDA,PCA,ICA比较

最新推荐文章于 2020-12-24 20:18:58 发布
原创 最新推荐文章于 2020-12-24 20:18:58 发布 · 6.2k 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：

#人脸识别

本文探讨了三种常见的人脸识别算法：PCA、LDA 和 ICA 的应用及效果对比。指出在人脸库数量有限时，PCA 表现优于 LDA；而 ICA 相较于 PCA 更具优势。

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

LDA,PCA和ICA都可以做人脸识别,但是目前大多数人都是用PCA.但是我看了一些英文的论文,PCA在人脸库比较少的情况下,比LDA好.但是ICA比PCA又要好．

【数据挖掘】PCA/LDA/ICA：A成分分析算法比较
gongdiwudu的专栏
07-23 7567
在深入研究和比较算法之前，让我们独立回顾一下它们。请注意，本文的目的不是深入解释每种算法，而是比较它们的目标和结果。
PCA,ICA和CCA（markdown）
chinabing的专栏
02-15 7217
PCA 主成分分析 m个n维的样本数据X1,X2,...,XmX_1, X_2, ... , X_m, 均值为u 步骤: （1）标准化， Xi−uX_i - u （2）计算协方差矩阵 E{(X−E(X))(X−E(X))T}E\{(X-E(X))(X-E(X))^T\} （3）计算特征值和特征向量（单位化） （4）选择特征值最大的前k（1≤\lek≤\len）项的特征向量 （5）利用特
PCA_ICA_LDA详细介绍与比较
09-02
还在为PCA、ICA、LDA而烦恼吗，作为一个机器学习与模式识别方向的研究生，这三个术语困扰了我很久，自己在网上找了很多的资料，最后发现了这个超级棒的ppt，讲得很清楚明了。好资料当然要相互分享嘛，希望这个ppt同样对大家有所帮助。
机器学习（八）：PCA / LDA / ICA -降维效果的比较
奔跑吧蚂蚁呀
09-05 1016
LDA与PCA的对比
qq_24816965的博客
10-15 634
http://m.blog.youkuaiyun.com/leayc/article/details/76299694
【机器学习】PCA与ICA，RCA，LDA
duxinyuhi的专栏
12-06 6806
PCA主成分分析 图一：本来是两个维度的值，一个维度是school ranking ，一个是safety problems, 观察图中的点，可以用一个直线连起来，这个直线就是新的主分成的方向，也是方差最大的方向。两个维度合成了一个新的纬neighborhood quality 损失的信息量是点到红色直线的距离 PCA最大方差的方向 何时使用PCA 1.潜在的特征 2.维度约减（可视化
数据降维的几种常见方法（PCA；FA；LDA；ICA等）
热门推荐
iceberg7012的博客
10-23 3万+
文章目录降维方式简述一、主成分分析（PCA）二、使用步骤1.引入库2.读入数据总结 降维方式简述 在学习ICA算法的过程中，了解到常常需要对数据进行降维，如PCA，FA等，以达到数据预处理的效果，因此查阅相关资料，在这里对数据降维的几种常见方法进行归纳、梳理。 数据降维就是降低数据的维度，达到增加样本密度以及去噪的目的。降维方式主要有两种方式： 1、一种是特征选择：直接选取原有维度的一部分参与后续的计算和建模过程，用选择的维度替代所有维度，整个过程不产生新的维度（即从现有的特征里选择较小的一些来达到降维
PCA，LDA，ICA等的matlat源程序
03-07
PCA（主成分分析）、LDA（线性判别分析）和ICA（独立成分分析）是三种常见的数据分析和特征提取方法，常用于机器学习和信号处理领域。这些方法可以帮助我们从高维数据中提取主要信息，降低数据的复杂性，同时保持...
PCA-ICA-LDA 介绍与比较
05-21
PCA ICA LDA介绍与比较，用于人脸识别方面
人脸识别：FERET数据集上人脸识别投影技术（PCA，ICA和LDA）的比较分析
02-20
本项目代表对面部投影技术（PCA，ICA和LDA）的比较分析，旨在比较使用公平意识训练对这些模型的性能影响的程度。 该技术在FERET图像数据集的两个450图像子集上进行了测试，一个旨在保留美国人口的种族构成（70％的...
MATLAB降维工具包：PCA、LDA、ICA的一键安装解决方案
首先，它提到了几种主流的降维算法，包括主成分分析（PCA）、线性判别分析（LDA）和独立成分分析（ICA）。PCA是一种无监督的算法，主要用于数据的特征提取和数据压缩。它通过寻找数据中方差最大的方向，并将数据投影...
PCA_ICA_LDA_介绍与比较
04-07
PCA_ICA_LDA_介绍与比较，详细介绍，并进行了比较
特征转换方法比较（PCA、ICA、LDA）
藏晖的博客
01-19 5128
特征转换方法比较（PCA、ICA、LDA）一、主成分分析（PCA）二、独立成分分析（ICA）三、线性判别分析（LDA）四、异同点比较         随着机器学习和数据科学的发展，大数据的分析与处理在许多领域得到了应用。这通常需要收集很大的数据，并对多维数据进行观测，然而特征越多不仅仅会增加研究者的分析工作量和难度，同...
把几个降维的算法（FA PCA SVD ICA LPP LDA ）归纳一下
qiusuoxiaozi的博客
03-05 2万+
FA PCA SVD ICA LPP LDA
数据降维：PCA、CCA、LDA、ICA的区别及适用场景
liuz_notes的博客
12-24 7955
比较 PCA： 无监督学习，找到最优重构子空间，使主成分能刻画样本绝大部分的方差。 应用：数据降维、Eigenfaces、PCA-SIFT CCA(Canonical Correlation Analysis)： 无监督学习，对两组变量降维，找到一个最优相关子空间进行相关性分析。 应用：问卷调查中变量的相关性分析、跨模态学习。 LDA： 有监督学习，学习一个可分性最好的投影方向。相当于是白化(whitening) + PCA，得到的是假设条件下的最优分类子空间（假设每个类都是单模态高斯分布、每个
ESL读书笔记14章：无监督学习之SOM，PCA，NMF，FA，ICA，MDS，ISOMAP，Local MDS
silent56_th的博客
12-31 2950
笔者自己的理解，无监督学习是挖掘数据自身的分布，找出一种低维的具有代表性或者某种性质的子空间（流形）。SOM是一种加约束的k-means，既可以看做是寻找具有代表性的特征点，也可以看做是寻找具有代表性的二维流形曲面。PCA是非常经典的最小化投影误差的子空间，也可以看做最大化投影方差的子空间。NMF则是基于假设最大化似然的同时，限制基向量非负。FA也是寻找某种子空间，目的是得到uncorrelated
PCA和ICA的对比
vendetta_gg的博客
06-03 3659
PCA和ICA的对比 by:Yang Liu 1.ICA处理的数据为非高斯分布的；PCA处理的数据是高斯分布的。 2.ICA提取相互独立的属性，而且降维；PCA只做数据的降维。ICA的数据预处理中会用到PCA。 3.ICA中各分量独立，PCA中各分量不相关。 4.ICA的目的是找到这样一组分量，使此分量最大独立化，进而发现信息中的一些隐藏因素；PCA的目的是找到这样一组分量，使重构误差最小，使此分量最能代表原事物的特征。 5.PCA为最大化方差，使得残余方差最小，或信息损失最小（方差即信息）。ICA为最大化
Python中MNE库利用CSP分析运动想象数据
zhoudapeng01的专栏
01-15 1万+
最近在研究EEG运动想象相关的内容，都说CSP在运动想象领域很好用，刚好最近接触了MNE库，就尝试了一下在这个库中的实现。牛皮就是牛皮，有现成的方法可以调用，既然有方法那当然也有示例了。 官方给的示例，后面的内容就是对文档中的示例程序进行分析。 https://mne.tools/stable/auto_examples/decoding/plot_decoding_csp_eeg.htm...
PCA与ICA深入剖析
fighting1_1的博客
05-02 1244
独立成分分析 ( ICA ) 与主成分分析 ( PCA ) 的区别（https://blog.youkuaiyun.com/shenziheng1/article/details/53547401）、独立成分分析 ( ICA ) 与主成分分析 ( PCA )再解析（https://blog.youkuaiyun.com/shenziheng1/article/details/53555969）、主成分分析(PCA)深入剖...
PCA、ICA与LDA：人脸识别中的方法比较
"PCA（主成分分析）、ICA（独立成分分析）和LDA（线性判别分析）是三种常用的数据降维和特征提取方法，常应用于人脸识别领域，以应对高维数据的挑战，实现噪声减少和信号可视化。" PCA（主成分分析）是一种线性变换...
评论 2
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