关于PCA算法的一点学习总结
本文出处:http://blog.csdn.net/xizhibei
=============================
PCA,也就是PrincipalComponents Analysis,主成份分析,是个非常优秀的算法,依照书上的说法:
寻找最小均方意义下,最能代表原始数据的投影方法
然后自己的说法就是:主要用于特征的降维
另外,这个算法也有一个经典的应用:人脸识别。这里略微扯一下,无非是把处理好的人脸图片的每一行凑一起作为特征向量,然后用PAC算法降维搞定之。
PCA的主要思想是寻找到数据的主轴方向,由主轴构成一个新的坐标系,这里的维数能够比原维数低,然后数据由原坐标系向新的坐标系投影,这个投影的过程就能够是降维的过程。
推导过程神马的就不扯了,推荐一个课件:http://www.cs.otago.ac.nz/cosc453/student_tutorials/principal_components.pdf,讲得挺具体的
然后说下算法的步骤
1.计算全部样本的均值m和散布矩阵S,所谓散布矩阵同协方差矩阵;
2.计算S的特征值,然后由大到小排序;
3.选择前n'个特征值相应的特征矢量作成一个变换矩阵E=[e1, e2, …, en’];
4.最后,对于之前每个n维的特征矢量x能够转换为n’维的新特征矢量y:
y = transpose(E)(x-m)
最后还得亲自做下才干记得住:用Python的numpy做的,用C做的话那就是没事找事,太费事了,由于对numpy不熟,以下可能有错误,望各位大大指正
mat = np.load("data.npy")#每一行一个类别数字标记与一个特征向量 data = np.matrix(mat[:,1:]) avg = np.average(data,0) means = data - avg tmp = np.transpose(means) * means / N #N为特征数量 D,V = np.linalg.eig(tmp)#DV分别相应特征值与特征向量组成的向量,须要注意下的是,结果是自己主动排好序的,再次膜拜numpy OTL #print V #print D E = V[0:100,:]#这里仅仅是简单取前100维数据,实际情况能够考虑取前80%之类的 y = np.matrix(E) * np.transpose(means)#得到降维后的特征向量 np.save("final",y)
另外,须要提一下的是OpenCV(无所不能的OpenCV啊OTL)中有PCA的实现:
void cvCalcPCA( const CvArr* data,//输入数据 CvArr* avg, //平均(输出) CvArr* eigenvalues, //特征值(输出) CvArr* eigenvectors, //特征向量(输出) int flags );//输入数据中的特征向量是怎么放的,比方CV_PCA_DATA_AS_ROW
最后,说下PCA的缺点:PCA将全部的样本(特征向量集合)作为一个总体对待,去寻找一个均方误差最小意义下的最优线性映射投影,而忽略了类别属性,而它所忽略的投影方向有可能刚好包括了重要的可分性信息
嗯,最后的最后——好了,没了,的确是最后了
强烈推荐:一篇能把PAC说得非常透彻的文章《特征向量物理意义》:http://blog.sina.com.cn/s/blog_49a1f42e0100fvdu.html
相关文章
- 一致性哈希算法
- 机器学习(4): KNN 算法
- 机器学习从入门到放弃之决策树算法
- 机器学习10种经典算法的Python实现
- 【学习总结】java数据结构和算法-第三章-稀疏数组和队列
- 【学习总结】小象学院-算法面试课程1-链表
- 简单易学的机器学习算法—基于密度的聚类算法DBSCAN
- 【学习总结】java数据结构和算法-第三章-稀疏数组和队列
- 【学习总结】java数据结构和算法-第一章-内容介绍和授课方式
- 【学习总结】小象学院-算法面试课程
- 【机器学习】机器学习算法总结
- Atiitt 常见机器算法 理解 总结 目录 1. 机器学习的核心是“使用算法解析数据,从中学习,然后对世界上的某件事情做出决定或预测”1 2. 1. 五大流派2 2.1. ①符号主义:使用
- Keras之TCN:基于keras框架利用时间卷积网络TCN算法对上海最高气温实现回归预测(把时间序列数据集转化为有监督学习数据集)案例
- ML之回归预测:利用Lasso、ElasticNet、GBDT等算法构建集成学习算法AvgModelsR对国内某平台上海2020年6月份房价数据集【12+1】进行回归预测(模型评估、模型推理)
- DL之ShuffleNetV2:ShuffleNetV2算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略
- 机器学习(二十三):群粒子算法(PSO)优化前向传播算法案例实现
- 基于布谷鸟算法优化的lssvm回归预测-附代码
- 【项目实战】Python基于BP神经网络算法实现家用热水器用户行为分析与事件识别
- C++ Primer 学习笔记_41_STL实践与分析(15)--先来看看算法【下一个】
- 【强化学习】Sarsa算法
- 学习算法笔记(12)
- 基于深度学习的恶意样本行为检测(含源码) ----采用CNN深度学习算法对Cuckoo沙箱的动态行为日志进行检测和分类
- 机器学习算法选择——特征提取
- 机器学习:Python实现聚类算法(三)之总结
- 【统计学习方法】2、EM算法及其推广
- 机器学习算法原理归纳总结:回归、聚类、支持向量、推荐、降维与神经网络