主成分分析法及特征值的含义 |
您所在的位置:网站首页 › 特征值怎么求好求 › 主成分分析法及特征值的含义 |
主成分分析法
主成分分析法是一种非常适用,又相对简单的数据处理的方法。它是利用降维的方法,将数据表示的信息的主要成分提取出来,所以叫做主成分分析法。主成分分析法最直观的目的是要将冗余的数据特征进行降维处理,与此同时保留数据最重要的一部分特征,使其主要的特征成分最大的保持整个数据信息完整性。 它的运用非常的广泛: 1.由于它可以提取主要的信息成分,所以它可以用来过滤掉信号的噪声 2.它可以用于合并特征。当有一些信息相关性非常大的时候,我们可以用主成分分析法把它们合并成一个特征;它也可以用于去掉冗余的特征。当两个特征表示的信息一致的时候,我们可以利用主成分分析法帮我们剔除掉其中一个。 3.当我们出现特征很多,过度拟合情况的时候。我们可以用主成分分析法帮助我们把真正有用的部分给保留下来。
下面我们来介绍一下,主成分分析的原理: 在介绍之前,我们要先对原始数据 假设我们现在有一组含有m维特征的数据,其中每一维代表一个数据特征: 现在我们考虑如下的线性变换: 也可以写作如下形式: 其中, 由上面的公式,我们可以知道,假设说我们知道
那么主成分分析法具体是怎么做的呢? 1.主成分分析法中限制了 2. 3.此外,主成分分析法还限定了
我们将从投影的角度来导出主成分分析法中各主成分的求法。 首先,由于原始数据
括号里面的部分,正好就是数据 把这个等式的第一项的第三项提出来,令: 分别左乘 ![]() ![]() ![]() ![]() ![]() 由此我们就推导出了主成分的求解方法。
在几何上,主成分分析法所表示的意思就是把原本的数据 比如说,如下图所示(图片来自于网络),数据
这个时候,我们可以将样本点根据线性变换投影到新的特征上去。
此时可以看到,样本点明显集中了很多。并且样本点在 特征值的含义 通过上面对于主成分分析法的介绍,其实我们可以大概看出来特征值和特征向量在一个矩阵中扮演了什么样的角色。 特征值的大小代表了矩阵正交化之后所对应特征向量对于整个矩阵的贡献程度。 也可以从矩阵变换的角度来理解特征值和特征向量,当一个矩阵乘以形变矩阵 ![]() ![]() ![]() |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |