[图像] PCA主成份分析
2016-01-19 10:41
316 查看
一种将具有相关性的数据投影到另一空间,且投影得到的特征向量互不相干的方法叫做主成份分析。PCA最大程度保留了原始高维的总体方差,也就是把数据向方差最大的方向投影,所以它的重建误差也是最小的。
协方差:(x代表一个样本数据,它是一个d-维向量,xi与xj代表不同的样本数据)
协方差矩阵:
推导过程:
假设原样本数据x投影到一个单位向量a上,投影结果是
(向量的投影:
,由于投影方向为单位向量,则
,即
)
最终得到的投影结果的方差最大,即使得var(z)最大。
其中S代表协方差矩阵。
求最大投影方向:在限制条件下
,使
最大(拉格朗日乘数法)
经过计算,得到投影方向a是矩阵方向S最大特征根对应的特征向量。
计算方法:
1.有m个d-维数据,每个d维数据表示为列向量,将列向量拼成m列。得到d行m列的矩阵。
2.计算协方差矩阵。
3.计算S的特征值
和特征向量
。(
)
4.选取前k个最大特征根对应的特征向量,得到矩阵
5.AX相乘得到投影矩阵。
协方差:(x代表一个样本数据,它是一个d-维向量,xi与xj代表不同的样本数据)
协方差矩阵:
推导过程:
假设原样本数据x投影到一个单位向量a上,投影结果是
(向量的投影:
,由于投影方向为单位向量,则
,即
)
最终得到的投影结果的方差最大,即使得var(z)最大。
其中S代表协方差矩阵。
求最大投影方向:在限制条件下
,使
最大(拉格朗日乘数法)
经过计算,得到投影方向a是矩阵方向S最大特征根对应的特征向量。
计算方法:
1.有m个d-维数据,每个d维数据表示为列向量,将列向量拼成m列。得到d行m列的矩阵。
2.计算协方差矩阵。
3.计算S的特征值
和特征向量
。(
)
4.选取前k个最大特征根对应的特征向量,得到矩阵
5.AX相乘得到投影矩阵。
相关文章推荐
- malloc和free函数详解(转载)
- 佛山Uber优步司机奖励政策(1月18日~1月24日)
- C# 向ListView中添加多列数据的方法
- 2016年DBA餐盘
- PHP得到局域网IP的函数,还不是很好用,哪位大神帮忙优化一下
- Android应用内打开QQ聊天框
- NSUserDefaults使用
- 长沙Uber优步司机奖励政策(1月18日~1月24日)
- Dijkstra算法求最短路径(java)(转)
- apache 省略index.php访问
- 【转】Oracle RAC 环境下的连接管理
- 找不到或无法加载主类(Could not find or load main class )
- python的学习资源
- spring quartz任务调度
- 基于JAVA集合框架实现一个简单的学生管理系统
- 字符串转换成整数
- HDU【1242】Rescue
- chrome浏览器添加个性标签,可以弹出代码编辑器
- 广州Uber优步司机奖励政策(1月18日~1月24日)
- APS.NET Cookie