1. 问题 真实的训练数据总是存在各种各样的问题： 1、 比如拿到一个汽车的样本，里面既有以“千米/每小时”度量的最大速度特征，也有“英里/小时”的最大速度特征，显然这两个特征有一个多余。 2、 拿到一个数学系的本科生期末考试成绩单，里面有三列，一列是对数学的兴趣程度，一列是复习 ...

1. 准确的PCA和概率解释（Exact PCA and probabilistic interpretation） PCA 用于对具有一组连续正交分量(Orthogonal component 译注: 或译为正交成分,下出现 成分 和 分量 是同意词)的多变量数据集进行方差最大化的分解 ...

最近对PCA主成分分析做了一定的了解，对PCA基础和简单的代码做了小小的总结 有很多博客都做了详细的介绍，这里也参考了这些大神的成果： http://blog.sina.com.cn/s/blog_75e063c101014aob.html 这个博客opencv简单实现了PCA，对PCA ...

一、 高维数据降维 　　高维数据降维是指采取某种映射方法，降低随机变量的数量。例如将数据点从高维空间映射到低维空间中，从而实现维度减少。降维分为特征选择和特征提取两类，前者是从含有冗余信息以及噪声信息的数据中找出主要变量，后者是去掉原来数据，生成新的变量，可以寻找数据内部的本质结构特征 ...

本博客根据 百面机器学习,算法工程师带你去面试 一书总结归纳,公式都是出自该书. 本博客仅为个人总结学习,非商业用途,侵删. 网址 http://www.ptpress.com.cn 目录： PCA最大方差理论 PCA最小平方误差理论 在机器学习中， 数据 ...

　　在高维数据上工作会碰到很多问题：分析很困难，解读起来困难，不能可视化，对于数据的存储也很昂贵。高维数据还是值得研究，比如有些维度是冗余，某一个维度其实是可以被其他几个维度的组合进行解释。正因为某些维度是相关的，所以高维数据内在有更低维的结构。降维方法就是探索数据的内在相关性生成一个压缩后的数据 ...

特征预处理： 什么是特征预处理？ 通过一些转换函数将特征数据转换成更加适合算法模型的特征数据过程。 我们需要用到一些方法进行无量纲化，使不同规格的数据转换到同一规格 为什么我们要进行归一化/标准化？ 特征的单位或者大小相差较大，或者某特征的方差相比其他的特征要大出几个 ...

python3 学习api使用 主成分分析方法实现降低维度 使用了网络上的数据集，我已经下载到了本地，可以去我的git上参考 git:https://github.com/linyi0604/MachineLearning 代码： ...