因子分析 因子分析降维的一种方法，是主成分分析的推广和发展是用于分析隐藏在表面现象背后的因子作用的统计模型。试图用最少的个数的不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一分量因子分析的主要用途减少分...
分类：
其他好文 时间：
2015-10-18 18:27:56
阅读次数：
403
数据计算和结果展示一直是数据挖掘领域的难点，一般情况下，数据都拥有超过三维，维数越多，处理上就越吃力。所以，采用降维技术对数据今夕简化一直是数据挖掘工作者感兴趣的方向。对数据进行简化的好处：使得数据集更易于使用，降低很多算法的计算开销，去除噪声，使得结果易懂。主成分分析法（PCA）是一种常用的降维技...
分类：
其他好文 时间：
2015-10-14 23:44:00
阅读次数：
252
文/承哲最近老周和酷派又折腾上了，抛开这些斯逼不看，来聊聊为什么360必须做手机？这其实是在占领互联网的高维阵地，实现降维攻击，借此我想用一种降维攻击的视角重新解读互联网格局体系。一，什么是互联网的降维攻击？雷军曾说《三体》中的哲学对其战略布局影响深远，而我最近也在反思互联网的整个维度结构，《三体》...
分类：
其他好文 时间：
2015-10-10 15:33:45
阅读次数：
228
本文实现基于SVD奇异矩阵分解的PCA主成分分析，使用该算法来完成对人脸图像的识别，主要讲解SVD实现PCA的原理，如何利用SVD实现图像特征的降维，以及SVD在文本聚类方面的使用，例如弱化同义词、多...
分类：
其他好文 时间：
2015-10-04 01:39:04
阅读次数：
331
PCA的数学原理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，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的...
分类：
其他好文 时间：
2015-10-02 19:57:54
阅读次数：
259
DLA起源之解 考虑一个样本集合X=[x1,x2...xN]，每个样本属于C个类中的一个。我们可以使用类似于PCA,LDA的线性降维方法将x由m维降至d维(m>d)。但是线性降维方法存在一些问题，例如LDA中的求逆运算，经常可能因为矩阵的奇异性是降维结果恶化。而这里介绍的DLA方法可以避免这个问题。...
分类：
其他好文 时间：
2015-09-21 17:38:04
阅读次数：
379
原文：http://blog.csdn.net/yujianmin1990/article/details/48223001 数据的形式是多种多样的，维度也是各不相同的，当实际问题中遇到很高的维度时，如何给他降到较低的维度上？前文提到进行属性选择，当然这是一种很好的方法，这里另外提供一种从高维特征空...
分类：
其他好文 时间：
2015-09-19 13:36:32
阅读次数：
680
方法一：降维去重if(!$isPidArrKey){
//降维去重
$temp=array();
foreach($tmpas$k=>$v){
$v=implode(‘,‘,$v);
$temp[]=$v;
}
$temp=array_unique($temp);
foreach($tempas$k=>$v){
$temp[$k]=explode(",",$v);
}
$tmp=$temp;
}方法二：借助第三个数组去重$idsTmp=array(..
分类：
编程语言 时间：
2015-09-16 16:02:05
阅读次数：
202
原文：http://dataunion.org/13451.html作者：xbinworld引言：机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据...
分类：
编程语言 时间：
2015-09-12 16:09:08
阅读次数：
272
传统的特征点描述子如SIFT,SURF描述子，每个特征点采用128维(SIFT)或者64维(SURF)向量去描述，每个维度上占用4字节，SIFT需要128×4=512字节内存，SURF则需要256字节。如果对于内存资源有限的情况下，这种描述子方法显然不适应。同时，在形成描述子的过程中，也比较耗时。后来有人提出采用PCA降维的方法，但没有解决计算描述子耗时的问题。
鉴于上述的缺点Michae...
分类：
其他好文 时间：
2015-09-10 11:11:32
阅读次数：
266
