查看“PCA算法”的源代码
←
PCA算法
跳转至:
导航
,
搜索
因为以下原因,您没有权限编辑本页:
您所请求的操作仅限于该用户组的用户使用:
用户
您可以查看与复制此页面的源代码。
*pca算法步骤: 假设有m条n维数据。 1. 将原始数据按列组成n行m列矩阵X 2. 将X的每一行(代表一个属性字段)进行零均值化,即减去这一行的均值 3. 求出协方差矩阵C=1/mXXT 4. 求出协方差矩阵的特征值以及对应的特征向量 5. 将特征向量按对应特征值大小从上到下按行排列成矩阵,取前k行组成矩阵P 6. Y=PX即为降维到k维后的数据 *PCA的应用范围 1. 数据压缩 1.1 数据压缩或者数据降维首先能够减少内存或者硬盘的使用,如果内存不足或者计算的时候出现内存溢出等问题,就需要使用PCA获取低维度的样本特征。 1.2 其次,数据降维能够加快机器学习的速度。 2. 数据可视化 在很多情况下,可能我们需要查看样本特征,但是高维度的特征根本无法观察,这个时候我们可以将样本的特征降维到2D或者3D,也就是将样本的特征维数降到2个特征或者3个特征,这样我们就可以采用可视化观察数据。
返回至
PCA算法
。
导航菜单
个人工具
登录
命名空间
页面
讨论
变种
视图
阅读
查看源代码
查看历史
更多
搜索
导航
首页
最近更改
随机页面
帮助
工具
链入页面
相关更改
特殊页面
页面信息