PCA目标函数的推导
2015-12-02 14:07
239 查看
主成分量分析方法(PCA)是一种代表性的无监督的线性特征提取技术。它展示的是高
维空间中数据的变化。PCA
先通过提取高维数据的协方差矩阵的特征向量来得到一个低维的
线性子空间,然后将原始的高维数据投影到这个线性子空间中来进行降维。它的目标是同时
寻找一个正交基函数的集合,这个正交基集合可以捕捉到数据的最大变化的方向,也就是保
证高维数据在投影到低维空间后,原始数据之间包含的变化信息能最大程度的保留到降维后
得到的低维数据中。
目的是使数据投影后的值尽可能的分散,在数学上这种分散程度我们用方差表示, 我们假设每一个样本的先验概率是均匀分布,p(xi)=1/N,
目标函数:
yi表示各个样本在各个基向量中的投影坐标。 假设M为样本的维数, 投影后N的维数小于N,,,M>>N;
现在目的是求得原样本基向量与新的基向量之间的转换矩阵。。
假设yi=wT*xi;
维空间中数据的变化。PCA
先通过提取高维数据的协方差矩阵的特征向量来得到一个低维的
线性子空间,然后将原始的高维数据投影到这个线性子空间中来进行降维。它的目标是同时
寻找一个正交基函数的集合,这个正交基集合可以捕捉到数据的最大变化的方向,也就是保
证高维数据在投影到低维空间后,原始数据之间包含的变化信息能最大程度的保留到降维后
得到的低维数据中。
目的是使数据投影后的值尽可能的分散,在数学上这种分散程度我们用方差表示, 我们假设每一个样本的先验概率是均匀分布,p(xi)=1/N,
目标函数:
yi表示各个样本在各个基向量中的投影坐标。 假设M为样本的维数, 投影后N的维数小于N,,,M>>N;
现在目的是求得原样本基向量与新的基向量之间的转换矩阵。。
假设yi=wT*xi;
相关文章推荐
- QT Qdesktopwidget
- font-awesome
- 测试用例的初始化和结束函数
- [浅析]淘宝详情页的BigRender优化的最佳方式
- leetcode Reverse Linked List II -- 重点
- 解决后台修改数据后在IE8中刷新网页还是之前的页面的问题
- JMETER使用系列教程一之初识JMETER,JMETER介绍+安装
- APP源码集中打包大放送!十一个千万级别APP源码随意处置!
- linux_删除空文件(大小等于0的文件)的方法
- Hyper-V的管理与使用之二:新建虚拟机
- 通过程序在桌面添加快捷方式
- 四层负载均衡与七层负载均衡
- 在Ubuntu 15.10搭建MEAN开发环境
- cash
- DOM是什么?
- Oracle 未明确定义列的错误
- php 文件操作
- 《TCP/IP详解 卷1:协议》 读书笔记 第七章 Ping程序
- SpringMVC整合Shiro
- Java Base64加密解密