降維原理篇之手推PCA（主成分分析）和LDA（線性判別分析）公式
PCA和LDA求解過程雖然有着很大的相似性，但對應的原理卻有所區別： PCA選擇的是投影后數據方差最大的方向。由於它是無監督的，因此PCA假設方差越大，信息量越多，用主成分來表示原始數據可以去除冗餘的維度，達到降維。而LDA選擇的是投影后類內方差小、類間方差大的方向。其用到了類別標籤信息，爲了找到數據中具有判別性的維度，使得原始數據在這些方向上投影后，不同類別儘可能區分開。
相關文章
- 1. PCA降維——主成分分析(principal component analysis,PCA)與LDA（線性判別分析）
- 2. 主成分分析（PCA）和線性判別分析（LDA）原理簡介
- 3. 線性判別分析（LDA）與主成分分析（PCA）
- 4. 主成分分析 PCA 線性判別分類LDA
- 5. 主成分分析（PCA）與線性判別分析（LDA）的區別與聯繫
- 6. 維度災難與降維 以及 PCA 主成分分析與 LDA 線性判別分析
- 7. 主成分分析PCA和核化線性降維kernel PCA
- 8. 降維之PCA主成分分析法
- 9. LDA線性判別分析原理
- 10. 線性判別式分析（LDA）原理分析
- 更多相關文章...
- • Git 分支管理 - Git 教程
- • SVN分支 - SVN 教程
- • 再有人問你分佈式事務，把這篇扔給他
- • 互聯網組織的未來：剖析GitHub員工的任性之源
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
相關文章