PCA流程:
当数据维度大时,构建协方差矩阵并求其特征值、特征向量会导致计算量大。所以可以利用SVD求解。
PCA算法的优化目标就是:
①降维后同一维度的方差最大。
②不同维度之间的相关性为0。
根据线性代数,我们可以知道同一元素的协方差就表示该元素的方差,不同元素之间的协方差就表示它们的相关性。
特征值越大,说明矩阵在对应的特征向量上的方差越大 ,功率越大,信息量越多。
SVD原理:
PCA流程:
当数据维度大时,构建协方差矩阵并求其特征值、特征向量会导致计算量大。所以可以利用SVD求解。
PCA算法的优化目标就是:
①降维后同一维度的方差最大。
②不同维度之间的相关性为0。
根据线性代数,我们可以知道同一元素的协方差就表示该元素的方差,不同元素之间的协方差就表示它们的相关性。
特征值越大,说明矩阵在对应的特征向量上的方差越大 ,功率越大,信息量越多。
SVD原理:
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/769307.html
如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!