PCA
主成分分析（PCA）思想總結 PCA就是將高維的數據通過線性變換投影到低維空間上去。 投影思想：找出最能夠代表原始數據的投影方法。被PCA降掉的那些維度只能是那些噪聲或是冗餘的數據。 去冗餘：去除可以被其他向量代表的線性相關向量，這部分信息量是多餘的。 去噪聲，去除較小特徵值對應的特徵向量，特徵值的大小反映了變換後在特徵向量方向上變換的幅度，幅度越大，說明這個方向上的元素差異也越大，要保留。
相關文章
- 1. Pca
- 2. PCA
- 3. pca
- 4. 核PCA(Kernel PCA)詳述
- 5. Robust PCA
- 6. 7.1-PCA
- 7. PCA revisit
- 8. LDA PCA
- 9. PCA與Kernel PCA介紹與對比
- 10. 主成分分析（PCA）與Kernel PCA
- 更多相關文章...
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
- 1. Pca
- 2. PCA
- 3. pca
- 4. 核PCA(Kernel PCA)詳述
- 5. Robust PCA
- 6. 7.1-PCA
- 7. PCA revisit
- 8. LDA PCA
- 9. PCA與Kernel PCA介紹與對比
- 10. 主成分分析（PCA）與Kernel PCA