灰太狼Polaris的专栏

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇文章的目的是介绍PCA的基本数学原理，帮助读者了解PCA的工作机制是什么。当然我并不打算把文章写成纯数学文章

在网上通过看斯坦福大学的机器学习课程，觉得讲的非常好。同时，为了加强自己的记忆，决定将自己学到的东西和一些理解记录下来，希望有所收获。废话不多说，直接开始笔记：局部加权回归（locally weighted regression）LWR我们在现实生活中的模型，大多数情况下不能够用线性模型去拟合。如果采用线性模型去拟合就会产生欠拟合（under-fitting）,如下图的分布（专业的画图工具比较复杂，

前几天做了几个机器学习的简单实验： 机器学习实验二–Logistic Regression 实验一是关于简单的线性回归的实验。下面是我的实验报告的截图（直接把word的内容撸过来，格式就全乱了，没有找到解决办法，直接上图吧，也是一种办法），后面给出工程和文档下载的链接。 实验一实验报告和文档 下面给出线性回归的代码（终于不用发愁排版了。。。。）function test_linear

Logistic Regression机器学习实验（一）—Linear Regression 算法流程 实验二的实验报告和代码 PCA的算法流程： 关于ＰＣＡ中数学原理可以点击这里PCA的数学原理 ＰＣＡ和Logistic Regression的ＭＡＴＬＡＢ代码function test_log_regression()% 读入数据X = load('logistic_x.t