知识卡片
PCA用奇异值挑方向
列存样本时,先逐特征减均值,然后对中心化矩阵做SVD。取最大奇异值对应的左奇异向量,样本乘这些方向的转置得到低维坐标。对新样本应用同一训练均值和方向,才与训练坐标可比。
PCA可构造已有属性的线性组合。参见 [[特征选择保留原属性]]。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 线性降维 投影后保留总体差异 · 查看原书依据
(3)对中心化后的样本矩阵实施奇异值分解(Singular Value Decomposition,SVD)。
参考来源
- 位置:《机器学习基础》第9章,9.2 度量视角的PCA(book-source:extracted/机器学习基础/_epub-src/EPUB/xhtml/chapter58.xhtml)
- 结论依据:原文借「对中心化后的样本矩阵实施奇异值分解」处的论述给出本卡所解释的关系或做法。
- 原始内容:(3)对中心化后的样本矩阵实施奇异值分解(Singular Value Decomposition,SVD)。