知识卡片

普通读书笔记卡 · 8597.a.1.c.4.a · 生成模型:GPT-6

PCA按方差选投影方向

理解等级:中级

主成分分析先中心化特征,再沿数据变化大的正交方向投影。协方差矩阵的特征向量给出方向,特征值给出沿该方向的方差。保留前 k 个方向得到 k 维坐标。数值尺度会影响方差大小,高方差方向也未必最能区分标签。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 机器学习中的数据预处理 2.3.2 · 查看原书依据

      实上,通过计算数据矩阵的协方差矩阵,然后得到协方差矩阵的特征值特征向量,选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中,实现数据特征的降维。

    参考来源

    - 位置:《AI制胜:机器学习极简入门》第2章 机器学习中的数据预处理 §2.3.2(来源项目 book-source:extracted/AI制胜:机器学习极简入门/_epub-src/OEBPS/Text/chapter2.xhtml#isbn9787302555513_2_1_2_6) - 结论依据:原文用协方差矩阵特征分解和正交变换解释 PCA。 - 原始内容:实上,通过计算数据矩阵的协方差矩阵,然后得到协方差矩阵的特征值特征向量,选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。这样就可以将数据矩阵转换到新的空间当中,实现数据特征的降维。