principal components analysis，是一種無監督學習方法，主要是用來將特徵的主要分成找出，並去掉基本無關的成分，從而達到降維的目的。pca的用處很多，此處不做詳述。
整理方程得到a的係數矩陣
也就是說
λ 是r的特徵值，a是其特徵向量，都可以求出。由於
λ 也是主成分的方差，所以越大的
λ 值對應的主成分也就越重要。
下面對應，ufldl上的例項做些基本的解釋
1. ufldl中的μ1
便是上面的a1
，都是對應
λ 最大的對應的經過預處理的x的特徵向量
2. 新的特徵中的值可以看做是由原特徵為基的座標對應的值轉化為以f為基的新座標中的值，及變化時需要左乘at
經過上面的變化，已經將原來的特徵轉化為了新的特徵，並且知道了新的特徵的重要性，經過變化之後可能得到，部分新的特徵的相對重要性非常小（得到的對應
λ 相對非常小），這就說明，這些新特徵並不是很重要，所以可以將這些特徵去掉
屢一下;
1. 計算原特徵值的相關係數矩陣
2. 計算此相關係數矩陣的特徵值和特徵向量
3. 選擇包含一定資訊量的特徵值對應的特徵向量，再加上0向量，得到新的k
4. ktx
得到新的特徵的數值
5. akt
x 得到還原之後在原特徵下的值
在處理普通的直接拍攝的時不需要進行方差的歸一化，使用整個的均值進行零均值化操作即可
在處理別的的時候需要進行其他處理
pca主成分分析 PCA主成分分析（中）
矩陣 matrix，很容易讓人們想到那部著名的科幻電影 駭客帝國 事實上，我們又何嘗不是真的生活在matrix中。機器學習處理的大多數資料，都是以 矩陣 形式儲存的。矩陣是向量的組合，而乙個向量代表一組資料，資料又是多維度的。比如每個人的都具有身高 體重 長相 性情等多個維度的資訊資料，而這些多維度...
主成分分析PCA
主要參考這篇文章 個人總結 pca是一種對取樣資料提取主要成分，從而達到降維的目的。相比於上篇文章介紹到的svd降維不同，svd降維是指減少資料的儲存空間，資料的實際資訊沒有缺少。個人感覺pca更類似與svd的去噪的過程。pca求解過程中，涉及到了svd的使用。針對資料集d 假設di 的維度為 w ...
PCA 主成分分析
在進行影象的特徵提取的過程中，提取的特徵維數太多經常會導致特徵匹配時過於複雜，消耗系統資源，不得不採用特徵降維的方法。所謂特徵降維，即採用乙個低緯度的特徵來表示高緯度。將高緯度的特徵經過某個函式對映至低緯度作為新的特徵。pca和lda區別 pca是從特徵的角度協方差角度 求出協方差矩陣的特徵值和特徵...