[机器学习花书笔记] 主成分分析

这篇博客探讨了主成分分析(PCA)在数据压缩中的应用,通过数学推导解释了如何找到最优编码矩阵D,确保解码后的数据与原始输入向量之间的L2范数最小。PCA的关键在于寻找最大化方差的正交基,这可以通过特征分解实现。内容详细介绍了从单个主成分到多个主成分的构建过程。

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

问题:假设在R^{n}空间中我们有 m 个点{ x^{1},...x^{m}},我们希望对这些点进行有损压缩。


方法:

低维表示:

x ^{(i)} \epsilon R ^{n} → 编码向量c ^{(i)} \epsilon R ^{l}

n > l,则我们便使用了更少的内存来存储原来的数据。

to find    f(x)=c     编码器

and    x\approx g(f(x))     解码器

令    g(c)=Dc

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