SVD和PCA详细原理以及联系(包含公式推导)

本文详细介绍了主成分分析(PCA)和奇异值分解(SVD)的原理,包括初始假设、PCA如何最大化方差、SVD的几何意义。PCA通过找到协方差矩阵S的特征向量来实现数据降维,而SVD可对任何矩阵进行分解,提供了一组旋转和缩放后的坐标轴。两者间存在联系,PCA可视为SVD的一种应用,SVD提供了一种更全面的矩阵分解方式,可用于实现PCA。

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

初始假设

假设X∈Rn×dX \in R^{n \times d}XRn×d,即为nnn个样本,ddd维的矩阵,将每个数据矢量的条目合并,使得XiT=(Xi1,…,Xid)X_i^T = (X_i1, \ldots, X_id)XiT=(Xi1,,Xid)。 在将这些向量放入数据矩阵之前,我们实际上会减去数据的平均值,即:μ=1n∑i=1nXi=(∑i=1nXi1,…,Xid)T\mu = \frac{1}{n} \sum_{i=1}^n X_i = (\sum_{i=1}^n X_i1, \ldots, X_id)^Tμ=n1i=1nXi=(i=1nXi1,,Xid)T
然后用每一列减去μT\mu^TμT,得到零中心向量作为矩阵的行:
X=(X1T−μTX2T−μT…XnT−μT)X = \begin{pmatrix} X_1^T - \mu ^T \\ \\ X_2^T - \mu ^T \\ \ldots \\ \\ X_n^T - \mu ^T \end{pmatrix}X=X1TμTX2TμTXnTμT

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