***PCA,ZCA,LDA,LSI,SVD

本文深入探讨了机器学习中关键的数学概念,包括PCA与LDA的区别,矩阵分解的基础知识,如何利用SVD实现PCA及ZCA,以及SVD在LSI中的应用。特别强调了PCA变换后变量的线性不相关性及其可能存在的非线性相关性。

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

收藏两篇博文:
机器学习中的数学(4)-线性判别分析(LDA), 主成分分析(PCA)
机器学习中的数学(5)-强大的矩阵奇异值分解(SVD)及其应用
白化(Whitening): PCA 与 ZCA (转)

博文涉及内容:
1、PCA 与 LDA 区别
2、矩阵分解的一些基础知识(奇异值与特征值基础知识)
3、利用SVD实施PCA
4、在PCA的基础上进行ZCA
5、利用SVD实施LSI(潜在语义索引)

需要注意一个概念:通过PCA变换后得到的变量V具有“线性不相关性”,但是,这些变量V依然可能具有nonlinear correlation。

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