标签:分析 特征向量 方差 投影 cost 成分 PCA 数据
简介
数据降维, 是指在某些限定条件下,降低随机变量个数,得到一组不相关主变量的过程
作用:
实现数据可视化
减少模型分析数据量,提升处理效率,降低计算难度
如何实现?
使投影后数据的方差最大,因为方差越大数据也越分散
计算过程:
原始数据预处理(标准化 \(\mu = 0, \sigma = 1\))
计算协方差举止特征向量,及数据在各特征向量投影后的方差
根据需求确定降维维度K
选取K维特征向量,计算数据在其形成空间的投影
PCA与线性回归的根本差异在于:
PCA中的误差是点到直线的距离
即(cost = sqrt((x - x1)^2 + (y - y1)^2))
线性回归中的误差,体现在这个点在直线上的投影与原本点的“y”值之间的差异
即(cost = f(x) - y)
f(x)为拟合出的函数
参考链接
https://blog.csdn.net/mianshui1105/article/details/52935765
标签:分析,特征向量,方差,投影,cost,成分,PCA,数据 来源: https://www.cnblogs.com/eat-too-much/p/16178122.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。