主成分分析(PCA)

主成分分析(PCA)用于寻找数据的最佳投影方向,以最大化方差并降低维度。PCA通过计算协方差矩阵的特征值和特征向量来实现。在高维数据中,可以使用快速PCA算法避免直接计算协方差矩阵。Python的sklearn库提供了PCA实现,常用于照片压缩和数据预处理中的归一化。

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

一、主成分分析(PCA)

假设Y为m个样本,每个样本有n维,

Y_{m\times n}=\begin{bmatrix} y_1^1 & y_1^2 &... & y_1^n\\ y_2^1 & y_2^2 &... & y_2^n \\ ... \\ y_m^1 & y_m^2 &... & y_m^n \end{bmatrix}

目标(最大方差理论):寻找一投影向量,使得原始数据在该向量上的投影方差\sigma ^{2}最大,投影方差最大,说明很好的保留了原始数据的特征,方差小的一般认为是噪声或重复的数据。令该投影向量为单位向量

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

打赏作者

东城青年

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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