主要分量分析_第1頁
主要分量分析_第2頁
主要分量分析_第3頁
全文預覽已結束

下載本文檔

版權說明：本文檔由用戶提供并上傳，收益歸屬內容提供方，若內容存在侵權，請進行舉報或認領

文檔簡介

主要分量分析主要分量分析（PrincipalComponentAnalysis，簡稱PCA）的目的是要對一組高維空間的資料進行投影（或線性組合），並進而找出最佳的投影方式，使得投影後的資料最能保持原資料的特性。PCA又稱為Larhunen-Loeve轉換，並被廣泛地用在數(shù)位訊號處理，影像處理、圖形辨識及資料聚類。假設我們的資料點是由維度為m的向量來表示，其中。為簡化討論，我們假設這一組資料的平均值是零，也就是說：如果這一組資料不滿足此條件，只需將之平移，以平均點為新座標原點即可。我們的目標是要找一個單位向量u，使得在u方向的投影平方和為最大。我們可用矩陣A來代表這一組資料點：此時這一組資料在u方向的投影可以表示為：而投影平方的總和為：欲使投影總和為最小，並滿足，我們可引進LagrangeMultiplier，並形成新的目標函數(shù)：欲求上列之極值，直接微分即可：因此在極值發(fā)生時，u是的固有單位向量，則是對應的固有值。此時的投影量總和為：換句話說，如果我們將的固有值排序成而對應的固有向量則是，那麼的最大值是，發(fā)生在；而最小值是，發(fā)生在。Oncewehavefoundthefirstprincipalcomponent,wewanttofindthesecondprincipalcomponentthatisorthogonaltoandhavethelargestprojection.Thiscanbeformulatedasfollows:Aftertakethederivative,wehaveAftermultiplyingtheaboveexpressionby,wehaveThereforewehaveWhichimpliesistheeigenvectorofwiththesecondlargesteigenvalue.Bycontinuethisprocess,wecanshowthattheotherprojectionsaregivenbytheeigenvectorswithdecreasingeigenvalues.Infact,sinceissymmetricandsemipositivedefinite,wehaveisaorthonormalbasisAlleigenvaluesarepositiveorzero,andthenumberofnon-zeroeigenvaluesisequaltotherankof.Inpractice,wetaketheminimumksuchthattheproportionofvarianceexplainedbythefirstkprincipalcomponentsisgreaterthan

溫馨提示

  • 1. 本站所有資源如無特殊說明，都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等，如果需要附件，請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙，網(wǎng)頁內容里面會有圖紙預覽，若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間，僅對用戶上傳內容的表現(xiàn)方式做保護處理，對用戶上傳分享的文檔內容本身不做任何修改或編輯，并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容，請與我們聯(lián)系，我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論