PCA（主成分分析）用于数据降维，通过构建协方差矩阵并选取最大特征值对应的特征向量。在人脸识别等领域广泛应用。流程包括计算样本均值，构建协方差矩阵，求解特征值与向量，依据贡献率选择特征，最后将样本映射到低维特征空间。
PCA即主成分分析，它主要的作用是对数据进行降维，在重构误差很小的情况下，将数据从n维降低到k（k<<n）维。目前，PCA在人脸识别或其它目标识别方面得到了广泛的应用。
PCA的主要思想：利用训练样本数据构建协方差矩阵，然后求取该协方差矩阵的特征值和特征向量，第三，选取前p个最大的特征值对应的特征向量构成特征矩阵U=[u1,u2,...,up]，第四，将每一个样本数据利用特征矩阵映射到特征空间里，从而实现降维作用。
实例分析：
给定一个训练样本集X=[x1,x2,..xn]，其中n为样本个数，每个样本维数为m维。对训练样本集构建PCA过程如下：
1、计算样本均值。
2、计算各个样本与样本均值之间的误差
最低0.47元/天 解锁文章
扫一扫
791
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
