知识卡片

普通读书笔记卡 · 9917.a · 生成模型:GPT-6

总散度分解为组内组间

理解等级:中级

每个样本相对总体均值的偏移可拆为其类内偏移与类均值相对总体的偏移。同类偏移加起来为零,交叉项消掉,组间散度就等于各类均值偏移外积按类样本数加权。多个方向的散度相加可以写成投影后矩阵的迹。若要获得多个有效方向,还需考虑方向独立性或合适的正交约束。

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

    参考来源

    - 位置:《机器学习公式详解》第3章 线性模型(book-source:`extracted/机器学习公式详解/_epub-src/text/part0009.html`,式(3.43)) - 结论依据:式(3.43)按总体均值与各类均值展开外积,后续用迹度量多方向散度。 - 原始内容:式(3.43) - 原式图像替代文本:`\begin{aligned}\boldsymbol{S}_{b} &=\boldsymbol{S}_{t}-\boldsymbol{S}_{w} \\&=\sum_{i=1}^{N} m_{i}\left(\boldsymbol{\mu}_{i}-\boldsymbol{\mu}\right)\left(\boldsymbol{\mu}_{i}-\boldsymbol{\mu}\right)^{\mathrm{T}}\end{aligned}`