//主成分分析類
class cv_exports pca
;主成成分的實現(opencv)
#include #include using namespace std;
using namespace cv;
#define rows 6
#define cols 7
void main()
{ //帶降維的原始資料
mat data_mat=(mat_(rows,cols)<<
10.5, 10.4, 4.0, 9.7, 10.8, 14.2, 14.2,
10.8, 9.5, 5.7, 1.7, 16.7, 14.6, 16.4,
10.8, 7.4, 5.2, 9.2, 9.5, 13.6, 12.3,
9.4, 6.0, 4.2, 7.8, 9.1, 9.3, 14.3,
11.8, 7.7, 5.0, 8.1, 9.4, 12.0, 13.6,
11.8, 9.8, 4.4, 2.7, 9.6, 11.3, 13.4 );
pca pca(data_mat,
cv::mat(),
cv_pca_data_as_col, //每一列為乙個樣本
0.9); //保留多少特徵值，百分比，預設全保留
mat dst=pca.project(data_mat); // 資料降維，dst即為主成成分資料
mat src=pca.backproject(dst); //重構原始資料，可以看出src與原始資料很相似
cout<<"dst:"<
1）將原始資料按列組成n行m列矩陣x
2）將x的每一行（代表乙個屬性字段）進行零均值化，即減去這一行的均值
3）求出協方差矩陣c=
1mxx
t 注：這裡的
協方差矩陣指的是樣本協方差矩陣
4）求出協方差矩陣的特徵值及對應的特徵向量
5）將特徵向量按對應特徵值大小從上到下按行排列成矩陣，取前k行組成矩陣p6）y
=px
即為降維到k維後的資料
[1]pca數學原理：
[2][3]
PCA 主成成分分析方法
參考 pca的數學原理 matlab求方差，均值，均方差，協方差的函式 主成分分析 pca 原理詳解 pca降維及python實現 coding utf 8 import numpy as np from sklearn.decomposition import pca x np.array 1,2...
MATLAB實現主成分分析 PCA
function ds,com num,pv,new score,new score s pca dr a,t pca dr 主成分降維及分析函式 輸入變數 a 原始資料 未標準化處理 t 設定累積貢獻率的閾值 輸出變數 ds 特徵值及貢獻率 com num 閾值t對應的主成分數 pv 閾值t對應的...
python實現主成分分析（PCA）
前言 主成分分析主要是用於降維，減少樣本的特徵量，其核心思想是將樣本資料對映到最重要的方向，而最重要的方向就是方差最大的方向。關於主成分分析詳細的理論知識，請至我的這篇博文中檢視 一 pca的簡單實現示例 import numpy as np import matplotlib.pyplot as ...