1. PCA优缺点 利用PCA达到降维目的，避免高维灾难。 PCA把所有样本当作一个整体处理，忽略了类别属性，所以其丢掉的某些属性可能正好包含了重要的分类信息 2. PCA原理 条件1：给定一个m*n的数据矩阵D， 其协方差矩阵为S. 如果D经过预处理， 使得每个每个属性的均值均为0， 则有S=DT ...
分类：
编程语言 时间：
2018-09-12 13:54:53
阅读次数：
605
声明：本文是转载自他处，原文载于此：http://blog.csdn.net/zhongkelee/article/details/44064401 一、PCA简介 1. 相关背景 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解方 ...
分类：
其他好文 时间：
2018-05-10 19:29:41
阅读次数：
212
PCA主要参数: n_components：这个参数可以帮我们指定希望PCA降维后的特征维度数目whiten ：判断是否进行白化，就是对降维后的数据的每个特征进行归一化svd_solver：即指定奇异值分解SVD的方法 ...
分类：
其他好文 时间：
2018-04-27 13:37:40
阅读次数：
183
（草稿） PCA主成分分析 取协方差矩阵 取矩阵特征值、特征向量 取最大特征值的特征向量 原始数据左乘特征向量，得到降维结果。 https://blog.csdn.net/sxf1061926959/article/details/53907935 ...
分类：
其他好文 时间：
2018-04-24 00:20:16
阅读次数：
181
详细剖析PCA主成分分析原理 转自：http://blog.codinglabs.org/articles/pca-tutorial.html PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用 ...
分类：
其他好文 时间：
2017-11-01 21:44:52
阅读次数：
253
结果： 分析：虽然损失了%3的预测准确性，但是相比于原来的64维特征，使用PCA压缩并降低了68.75%的维度，能改节省大量的训练时间，在保持数据多样性的基础上，规避掉了大量特征冗余和噪声。 ...
分类：
其他好文 时间：
2017-10-12 14:00:27
阅读次数：
145
前言 以下内容是个人学习之后的感悟，转载请注明出处~ 简介 在用统计分析方法研究多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的 信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反 映此课题的信息有一定的重叠。 ...
分类：
其他好文 时间：
2017-08-30 18:35:04
阅读次数：
169
sklearn和numpy.linalg.eig使用pca主成分分析降维 ...
分类：
其他好文 时间：
2017-08-17 00:44:27
阅读次数：
559
经典无监督学习 聚类 K均值 PCA主成分分析 等 深度学习下的无监督学习 自编码器 传统的基于特征学习的自编码器 变种的生成式自编码器 Gen网络（对抗式生成网络） 传统的基于特征学习的自编码器 变种的生成式自编码器 传统自编码器 原理 类似于一个自学习式PCA，如果编码/解码器只是单层线性的话 ...
分类：
其他好文 时间：
2017-08-12 17:04:22
阅读次数：
169
本文是对PCA和SVD学习的整理笔记，为了避免很多重复内容的工作，我会在介绍概念的时候引用其他童鞋的工作和内容，具体来源我会标记在参考资料中。 一.PCA (Principle component analysis) PCA（主成分分析）通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提 ...
分类：
其他好文 时间：
2017-08-12 10:16:59
阅读次数：
237
