机器学习实战学习笔记5——主成分分析(PCA)
2016-12-01 12:25
330 查看
1.PCA算法概述
1.1 PCA算法介绍
主成分分析(Principal Component Analysis)是一种用正交变换的方法将一个可能相关变量的观察值集合转换成一个线性无关变量值集合的统计过程,被称为主成分。主成分的数目小于或等于原始变量的数目。1.2 PCA算法原理
PCA的实质是在能尽可能好地代表原特征的情况下,将原特征进行线性变换,映射到低维空间。1.3 PCA 算法优缺点
(1)优点:(2)缺点:
2.PCA算法实现
相关文章推荐
- Andrew机器学习课程笔记(3)—— K均值、SVM、PCA
- 机器学习实战笔记5(logistic回归)
- 机器学习实战笔记之五(Logistic 回归)
- 机器学习实战笔记——KNN算法
- 机器学习实战学习笔记2——决策树算法
- 机器学习实战-学习笔记-第十四章
- 机器学习实战之PCA
- 机器学习实战笔记(三):决策树算法的Python实现
- 机器学习实战-学习笔记-第一章
- 机器学习实战笔记3(决策树与随机森林)
- 机器学习实战笔记7(Adaboost)
- 机器学习实战笔记之三(决策树)
- 机器学习实战 -> 利用PCA&&SVD来简化数据
- 机器学习实战笔记之一(调试NumPy)
- 机器学习实战笔记之非均衡分类问题
- 机器学习实战学习笔记 一 k-近邻算法
- 机器学习实战-学习笔记-第十三章
- 机器学习实战笔记(Python实现)-01-机器学习实战
- 机器学习实战笔记(四):Logist线性回归算法的Python实现
- 机器学习实战笔记(二):K邻近算法