一个信号往往包含多个维度，各个维度之间可能包含较强的相关性。下图表示的是一组二维信号x=(x1,x2)，可以看到数据点基本上分布在x2=x1这条直线上，二者存在很强的相关性（也就是确定x1之后，就能确定x2的大致范围）。
主成分分析（Principal Component Analysis, PCA）的目的在于寻找到一组基，将信号投影到这组基上面，从而能够去除信号各个维度之间的相关性。如下图，u1和u2是通过PCA找到的两个基向量，将信号投影到该基向量上，信号各维度之间的相关性就基本被去除了。
信号各维度之间的相关性可以用相关系数来表示。假设一个维度为x1，另一个维度为x2，二者都相当于随机变量。那么相关系数为：
原图，k=50，k=200，k=350
前16个主成分
[cov]: http://latex.codecogs.com/svg.latex?cov(x_1,x_2)=\frac{1}{N}\Sigma_{i=1}N(x_1{(i)}-\bar{x_1})(x_2^{(i)}-\bar{x_2})
一个信号往往包含多个维度，各个维度之间可能包含较强的相关性。下图表示的是一组二维信号x=(x1,x2)，可以看到数...
PCA降维 一、算法原理 降维算法 还原算法 二、算法实现 三、scikit-learn PCA 四、PCA降噪 ...
主成分分析 (PCA, principal component analysis)是一种数学降维方法。 PCA降维...
PCA降维过程 在前面的一篇博客中我已经从数学角度解释了PCA降维的原理，我们从中也可以得到PCA降维的过程1）将...
sklearn中的降维算法 1. PCA与SVD sklearn中降维算法都被包括在模块decomposition...
当数据特征较多时，基本有两种方法：1 PCA降维2 Feature Selection(特征选择) PCA降维 <...
标准化 PCA降维
与sk_learn相比，spark mllib的PCA降维方法，只能设置最终降维的维数。 实例demo： 踩坑：1...
三维PCA 主成分分析算法（PCA）是最常用的线性降维方法。PCA降维为了在尽量保证“信息量不丢失”的情况下，对原...
一、PCA降维 1.PCA简介 PCA（主成分分析）是一种数据降维的方法，即用较少特征地数据表达较多特征地数据（数...
本文标题：PCA信号降维与复原
本文链接：https://www.haomeiwen.com/subject/ogyzfxtx.html
网友评论