PCA和白化练习之处理二维数据
在很多情况下，我们要处理的数据的维度很高，需要提取主要的特征进行分析这就是PCA（主成分分析），白化是为了减少各个特征之间的冗余，因为在许多自然数据中，各个特征之间往往存在着一种关联，为了减少特征之间的关联，需要用到所谓的白化（whitening）. 首先下载数据pcaData.rar，下面要对 ...
原文：详解2D-PCA （二维PCA）
传统的一维PCA和LDA方法是在图像识别的时候基于图像向量，在这些人脸识别技术中， D的人脸图像矩阵必须先转化为 D的图像向量，然后进行PCA或者LDA分析。缺点是相当明显的： 一 转化为一维之后，维数过大，计算量变大。 二 主成分分析的训练是非监督的，即PCA无法利用训练样本的类别信息。 三 识别率不是很高。 本文介绍的是 DPCA， DPCA顾名思义是利用图像的二维信息。 DPCA算法简介 ...
2013-03-28 19:28 1 3024 推荐指数：
相关推荐
Deep learning：十一(PCA和whitening在二维数据中的练习)
前言： 这节主要是练习下PCA，PCA Whitening以及ZCA Whitening在2D数据上的使用，2D的数据集是45个数据点，每个数据点是2维的。参考的资料是：Exercise:PCA in 2D。结合前面的博文Deep learning：十(PCA和whitening ...
PCA算法详解
PCA PCA（Principal Component Analysis，主成分分析）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 ...
PCA降维以及维数的确定
概述 PCA（principal components analysis）即主成分分析技术，又称为主分量分析，旨在利用降维的思想，把多个指标转换为少数的几个综合指标。 主成分分析是一种简化数据集的技术，它是一个线性变换。这个线性变化把数据变换到一个新的坐标系统中，使得任何数据投影的第一大 ...
机器学习--用PCA算法实现三维样本降到二维
对于维数比较多的数据，首先需要做的事就是在尽量保证数据本质的前提下将数据中的维数降低。降维是一种数据集预处理技术，往往在数据应用在其他算法之前使用，它可以去除掉数据的一些冗余信息和噪声，使数据变得更加简单高效，从而实现提升数据处理速度的目的，节省大量的时间和成本。降维也成为了应用非常广泛的数据 ...
主成分分析（PCA）原理详解
一、PCA简介 1. 相关背景 在许多领域的研究与应用中，往往需要对反映事物的多个变量进行大量的观测，收集大量数据以便进行分析寻找规律。多变量大样本无疑会为研究和应用提供了丰富的信息，但也在一定程度上增加了数据采集的工作量，更重要的是在多数情况下，许多变量之间可能存在相关性 ...
PCA 降维算法详解 以及代码示例
转载地址：http://blog.csdn.net/watkinsong/article/details/38536463 1. 前言 PCA ： principal component analysis ( 主成分分析) 最近发现我的一篇关于PCA算法总结以及个人理解的博客的访问量比较 ...
PCA与LDA
一、为什么要降维： 1、避免维数灾难，高维情况下容易产生过拟合 2、特征之间如果存在明显的相关性（也叫共线性），此时就需要降维 3、降维可以提取数据中的有效信息，去除噪音数据 4、降维可以降低数据的复杂性，减少模型的训练时间 5、可以方便对数据进行可视化处理，因为维 ...