【机器学习】 16. 降维:PCA-主成分分析 Principle Component Analysis

1. 高维会有什么问题?

  1. 慢的训练
  2. 不可靠的分类
  3. 过度拟合
  4. 构建可解释的模型是不可能的
  5. 可视化的问题
  6. 并不是所有的变量都很重要。

2. PCA

  1. PCA是最流行的降维方法
  2. 通常称为特征投影法。
  3. 其主要思想是找到一组新的维度,并将数据投射到其中。
    -更小的维度,捕捉数据的本质

主要思路:给定N个具有维度(m个特征)的例子

求:m个相互正交的新轴,使var(Z1) > var(Z2)...> var(Zm)

主分量是定义新坐标系的向量。

它们是根据它们捕获的方差来排序的

每个主成分都是原始特征的线性组合. 第一个主成分是使得数据方差最大的方向, 第二个主成分是与第一个主成分正交的条件下, 方差最大的方向, 依此类推...

确定降维数量

  1. 最小方差百分比
  2. 肘部法, Elbow Method. 绘制主成分的数量和累积方差图, 通常会在曲线上出现一个"肘点"

确定主成分

通过奇异值分解, Singular Value Decomposition, SVD确定PC. 它是一种标准的矩阵分解方法, 能够进行坐标系的变换

n x m的矩阵X可以分解成3个矩阵乘积:
X = U ∗ Λ ∗ V T X = U * Λ*V^T X=U∗Λ∗VT

U 是n x m的正交矩阵

(数据在新坐标系中的新坐标)(左奇异向量空间)

V^T是m x m正交矩阵V的转置

(右奇异向量空间)

Λ是一个m x m的对角矩阵包括奇异值

(在新坐标系中的尺度变化)

相关推荐
大脑探路者1 分钟前
【PyTorch】继承 nn.Module 创建简单神经网络
人工智能·pytorch·神经网络
无代码Dev22 分钟前
如何使用AI去水印(ChatGPT去除图片水印)
人工智能·ai·ai-native
无难事者若执33 分钟前
新手村:逻辑回归-理解03:逻辑回归中的最大似然函数
算法·机器学习·逻辑回归
达柳斯·绍达华·宁42 分钟前
自动驾驶04:点云预处理03
人工智能·机器学习·自动驾驶
wgc2k1 小时前
吴恩达深度学习复盘(4)神经网络的前向传播
人工智能·深度学习
屎派克1 小时前
神经网络知识
人工智能·深度学习·神经网络
IT从业者张某某1 小时前
机器学习-04-分类算法-03KNN算法案例
算法·机器学习·分类
补三补四1 小时前
k近邻算法K-Nearest Neighbors(KNN)
人工智能·机器学习
AI绘画月月1 小时前
AI绘画 | Stable Diffusion 图片背景完美替换
图像处理·人工智能·计算机视觉·ai作画·stable diffusion·midjourney·sd
阿里云大数据AI技术1 小时前
阿里云 AI 搜索开放平台新发布:增加 QwQ 模型
人工智能·云计算