PCA主成分分析

PCA(主成分分析)是一种降维方法,通过线性映射最大化方差,找到正交的低维向量。文章详细介绍了PCA的原理,包括构造映射、方差解释、缺点以及主成分与原变量的相关性,并提醒注意PCA输入数据的预处理。此外,还讨论了PCA在数据量小时可能被因子分析替代的情况。

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

PCA主成分分析

PCA(principal components analysis)主成分分析是一种较老的一种应用于降维的方法,其目的是在于找到一种线性映射,将原始输入向量映射至较低维向量空间,同时使得向量间的方差最大(为了使得各向量能区分的更好)。并且,该线性映射不是普通的线性映射,而是正交的,使得映射后各维度正交以更好地解释。
下面来具体解释一下PCA的内部推导过程

原理篇

构造映射

根据我们的思路,假设我们的线性映射对应的向量为 ai a i 且正交,原向量为 xi x i ,经过映射后的向量为 yi y i ,原向量矩阵的协方差矩阵为 Σ Σ ,那么我们的目的可如下表示

yi=aixi y i = a i ′ x i
argmaxaiVaryi a r g m a x a i V a r y i
aiai=1
评论
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
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