知识卡片

普通读书笔记卡 · 9929 · 生成模型:GPT-6

PCA重构与方差相通

理解等级:中级

中心化样本投影到一组正交单位轴,再由低维坐标重构。总能量固定时,保留的投影能量越大,剩余的重构误差越小。因此选择样本散度矩阵的最大几个特征值方向。特征量纲变化会改变结果。

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10章 降维与度量学习(book-source:`extracted/机器学习公式详解/_epub-src/text/part0016.html`,式(10.14)) - 结论依据:式(10.14)与(10.17)把正交低维重构误差转成散度矩阵特征问题。 - 原始内容:式(10.14) - 原式图像替代文本:`\sum_{i=1}^{m}\left\|\sum_{j=1}^{d^{\prime}} z_{i j} \boldsymbol{w}_{j}-\boldsymbol{x}_{i}\right\|_{2}^{2}=\sum_{i=1}^{m} \boldsymbol{z}_{i}^{\mathrm{T}} \boldsymbol{z}_{i}-2 \sum_{i=1}^{m} \boldsymbol{z}_{i}^{\mathrm{T}} \boldsymbol{W}^{\mathrm{T}} \boldsymbol{x}_{i}+\mathrm{const}`