林源的博客

1. 充分降维的概念本章笔记来自wiki，符号与论文统一1.1. 概要在统计学中，充分降维(SDR)是一种分析数据的范例，它结合了降维的思想和充分性的概念。有响应变量YYY和预测变量XXX。回归分析就是去学习Y∣XY|XY∣X的分布。也就是给定XXX求YYY的条件分布E(y∣X=x)=E(a+bx+ϵ∣X=x)=a+bxE(y|X=x)=E(a+bx+\epsilon|X=x)=a+bxE(y∣X=x)=E(a+bx+ϵ∣X=x)=a+bx降维就是一个函数R(X)R(X)R(X)，把XXX映射

1. 向量范数P-范数：∥x∥p=(Σ∣xi∣p)1/p\|x\|_p=(\Sigma|x_i|^p)^{1/p}∥x∥p​=(Σ∣xi​∣p)1/p。matlab调用norm(x,p)。norm(x)默认为二范数，也就是欧几里得范数∞\infty∞-范数：∥x∥∞=maxi∣xi∣\|x\|_{\infty}=\mathop{max}\limits_i|x_i|∥x∥∞​=imax​∣xi​∣。matlba调用为norm(x,inf)−∞-\infty−∞-范数：∥x∥−∞=mini∣xi∣\|x

使用matlab中PCA包进行训练集与测试集处理1. matlab中PCA包的使用与分析2. 训练集与测试集降维处理1. matlab中PCA包的使用与分析[coeff, score, latent ] = pca(X);其中，X∈Rn×mX \in\mathbb{R}^{n\times m}X∈Rn×m。n = #sample,m = #feature。而获取到的有：coeff ：特征向量。每一列表示一个特征向量。并按特征值从大到小排序score ：新数据。使用PCA后的数据表示，大小和X一致

该检验是一个正态性检验的频率论统计。该检验的零假设是总体呈正态分布。因此，如果p值小于所选的alpha级别，则原假设被拒绝，并且有证据表明所测试的数据不是正态分布的。另一方面，如果p值大于所选的alpha级别，则不能拒绝原假设（数据来自正态分布的总体）（例如，对于.05的alpha级别，数据集如果p值小于.05，则拒绝原假设（数据来自正态分布的总体）。像大多数统计显着性检验一样，如果样本量足够大，则该检验甚至可以检测到原假设的微不足道的偏差（即，尽管可能具有统计学上的显着影响，但可能太小而没有任何实际意

1. 直方图Python中直方图Y轴有多种。其中，（标准）直方图的Y轴是频数。X轴上的每一段，是一个分组。有每个分组的数据量 = 组距*频数例如，在对比图中，直方图的高分别为1/12,2/12,1/12,0，1/12,1/12.宽度为2.图源来自WIKI。在python3中，norm_hist为True,则直方图的高度默认为密度，而非count（次数）。在含有KDE的图像中，默认为True。用于概率密度的直方图的总面积始终归一化为1。2.KDE 核密度估计核函数就不介绍了，太多了。KDE就

1.源码阅读使用open cov阅读MATLAB源码。别看前面的注释，容易混2.原理MATLAB输入矩阵X是m*n大小。请注意：m是#features，n是#samples。计算的主要代码是：xc = x - sum(x,1)./m; % Remove meanc = (xc' * xc) ./ denom;denom为m-1（m>1）或m(m = 1)。非常有意思的是：a.先移除均值&移除均值的方式；b.denorm 是用来normlize.参考之前的文章，应

简介scale 是通用函数，其默认方法中心化和/或标准化矩阵的列。使用scale(x, center = TRUE, scale = TRUE)进行调用参数分析参数分析x一个数据矩阵(比如一个对象)center确定如何执行中心化。是一个逻辑值或长度为x 的列数的类似数字的向量。如果为TRUE，那么通过减去列均值进行中心化。为否，那么不进行该操作scale在“中心化”后，确定如何执行标准化。如果scale是一个类似数字的向量，其长度等于的列数x，则x每一.