一个极其简洁的PCA白化

最新推荐文章于 2022-06-14 05:56:06 发布

原创最新推荐文章于 2022-06-14 05:56:06 发布 · 3.8k 阅读

·

0

·

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。

本文介绍了一种简化PCA计算的方法，通过SVD分解实现快速投影，并解释了如何通过该方法保留主要特征向量。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

昨晚在看SSC的作者的代码的时候发现一个取PCA投影后的矩阵，发现代码极其简单，在这里做个备注，计算的时候可以更方便点：

$[U,S,V] = svd(X',0);$ $Xp = U(:,1:r)';$
其中X是原数据，X中的每一列是一个数据，r是需要保留的前r个最大方向的投影数据。

在这里详细解释下：

传统的PCA是这么来做的，用这个上面的符号：

应该是

$[U, S, V] = svd(X);$

$xp = U(:, 1:r)'*X$

那回过头来解释下最上面那个，由于是对X'求的svd那么结果应该是：

$Xp = V(:, 1:r)'*X$

由于 $X = V*S'*U'$

所以 $Xp = V(:, 1:r)'*V(:, 1:r)*S'*U(:, 1:r)'=S'*U(:, 1:r)'$ ，如果继续白化的话那么就是除以S那么结果就是直接 $Xp=U(:, 1:r)'$ 。。证毕。。

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。