主成分分析(PCA)對腦電資料進行降維

2021-08-21 15:29:00 字數 841 閱讀 3991

主成分分析是降維裡面常見的技術,它的求值是乙個解析解,並不需要進行迭代,其主成分可由原資料直接求得。本文不講原理,而是以乙個腦電波資料的例子進行展示,該腦電波資料分為正負兩個樣本集各52個樣本,每個樣本的維數為59維,全部放在乙個檔案裡面,其對應的標籤也放在乙個檔案裡面(見資料網盤鏈結),現對該腦電資料進行主成分分析降維,要求提取特徵值最大的前面兩個維度在平面座標系上畫出來。使用python語言實現。

# -*- coding:utf-8 -*-

__author__ = 'gf'

import numpy as np

from pylab import *

import matplotlib.pyplot as plt

a = np.zeros((59,104),dtype=float)

f = open('d:\\mydata\\mydata.txt') #開啟資料檔案檔案

lines = f.readlines() #把全部資料檔案讀到乙個列表lines中

a_row = 0 #表示矩陣的行,從0行開始

for line in lines: #把lines中的資料逐行讀取出來

list = line.strip('\n') #處理逐行資料:strip表示把頭尾的'\n'去掉,split表示以空格來分割行資料,然後把處理後的行資料返回到list列表中 #然後方陣a的下一行接著讀

list=list.strip(&

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...