这篇文章给大家介绍如何理解PCA算法过程，内容非常详细，感兴趣的小伙伴们可以参考借鉴，希望对大家能有所帮助。
PCA，即主成分分析，是一种数据降维的方法,旨在利用降维的思想，把多指标转化为少数几个综合指标,降低数据维数，从而实现提升数据处理速度的目的。流程1.数据标准化处理。先按列计算数据集X的均值Xmean，然后X 香港云主机new=X−XmeanXnew=X−Xmean进行归一化处理。
2.求解矩阵Xnew的协方差矩阵。3. 计算协方差矩阵的特征值和相应的特征向量。
4.将特征值按照从大到小的排序，选择其中最大的k个，然后将其对应的k个特征向量分别作为列向量组成特征向量矩阵。
5.计算降维后的数据集，即将归一化的数据集投影到选取的特征向量矩阵上，这样就得到了我们需要的已经降维的数据集。个人理解PCA算法的核心降维其实就是把高维的数据选取一组组基底（即协方差矩阵计算出特征向量）进行分解，这个基底要让高维分解的数据尽量包含更多的信息（方差：数据更分散；协方差：线性无关），毕竟高维数据变成低维数据肯定要损失一些信息，我们要让它的损失降到最小。我们选取包含更多信息的基底可得到对样本起决定性作用最大的前K个特征（特征矩阵）。最后我们只需要把测试的样本进行降维操作（投影）后和一个个降维后人脸样本（投影）进行做差，若差值小于某个我们设定的数值（阈值），我们则可以认为是同一个人脸。优缺点1.优点 1）它是无监督学习，无参数限制的。2）PCA对数据降维的同时也对新求出的特征值进行排序，根据所设置的阈值进行根据重要性程度的排列，可以达到在降维的同时最大程度保留原有信息。3）各个主成分之间正交，无原始数据之间的互相影响。2.缺点1）贡献率小的成分有时含有样本的重要信息。2）如果我们对所识别对象有一定认识，掌握了一些特征，无法通过参数的设置来干预。3）非高斯分布的情况下，PCA方法得出的主元可能不是最优的。关于如何理解PCA算法过程就分享到这里了，希望以上内容可以对大家有一定的帮助，可以学到更多知识。如果觉得文章不错，可以把它分享出去让更多的人看到。
本篇内容主要讲解“电脑系统重装后怎么安装打印机”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“电脑系统重装后怎么安装打印机”吧!工具/原料1.电脑2.打印机方法/步骤步骤一：点击开始->设置和打印机，进入打印机…
免责声明：本站发布的图片视频文字，以转载和分享为主，文章观点不代表本站立场，本站不承担相关法律责任；如果涉及侵权请联系邮箱：360163164@qq.com举报，并提供相关证据，经查实将立刻删除涉嫌侵权内容。
微信扫一扫 
