Principal Components Analysis(PCA)
PCA算法的步骤
a. 计算样本集的协方差矩阵S
S的值表示样本之间的相关性,大于0说明是正相关;小于0,说明是负相关;等于0,说明相互独立,不相关
b. 计算S的特征向量和特征值,按从大到小排序。
c. 设置要映射的低维空间维数k,取前k个特征值对应的特征向量作为降为的结果。
为什么选用协方差矩阵,主要有以下几个基准:
a. 最大方差理论
b. 最小错误理论
c. 坐标轴相关度理论
PCA算法的步骤
a. 计算样本集的协方差矩阵S
S的值表示样本之间的相关性,大于0说明是正相关;小于0,说明是负相关;等于0,说明相互独立,不相关
b. 计算S的特征向量和特征值,按从大到小排序。
c. 设置要映射的低维空间维数k,取前k个特征值对应的特征向量作为降为的结果。
为什么选用协方差矩阵,主要有以下几个基准:
a. 最大方差理论
b. 最小错误理论
c. 坐标轴相关度理论