寫在前面：這篇部落格寫的很亂，只是先大致記錄一下，後期行得通再慢慢補充。
之前稍微整理了libsvm的內容，但是還有很多沒搞懂，最近因為**思路卡住了，所以又反過來弄libsvm
因為看人家的**，偏應用的方面，流程都非常完整，特徵提取以後，一般有降維，有引數尋優，所以就很想實現這些功能，因為對比實驗真的一點也寫不下去了，頭大…而且svm的工具箱非常的成熟了，除了常用的libsvm工具包，還有libsvm-faruto ultimate的工具包，這是乙個基於libsvm的工具箱，增加了許多實用的功能：降維、引數尋優、視覺化等等，所以我想試一下能不能豐富我的實驗，不然就只能好好補對比實驗了…
2 使用libsvm-faruto ultimate進行降維和網格尋優
提取碼：2k7c
重點參考 libsvm-faruto ultimate工具箱學習筆記，參考部落格為：
這篇真的好！
尋優函式有3種
svmcgforclass（網格尋優）
gasvmcgforclass（遺傳演算法）
psosvmcgforclass（粒子群優化）
其中，我用到的就是
pca降維使用函式：pcaforsvm
網格尋優函式:：svmcgforclass
因為設定了預設的引數，所以最少的情況下只需要2個引數就能讓函式執行起來
[featurestrain,featurestest] = pcaforsvm(featurestrain_double,featurestest_double);
[bestcvaccuracy,bestc,bestg]=svmcgforclass(train_labels_double,featurestrain);
有機會試一下，截止到現在，我的網格尋優還沒跑完，實在太慢了，沒有報錯，就是慢。
關於PCA的總結
最近學習了主成份分析 principal component analysis 這個經典方法。學習的材料是a tutorial on principal component analysis by jonathon shlens 學習完之後，感覺這篇材料關於pca寫得非常簡潔明瞭，也很適合自學。現在...
關於PCA的思考
pca感悟 首先對於樣本特徵向量我可以認為他是乙個通用的程度值 然後預設為ui 的向量空間中 而對於pca降維後y gtx g 我是不是可以這樣認為，就是在乙個新的向量空間中對於那個通用程度值，他的每個樣本之間的方差是最大的，然後我將他具現到當前向量空間中 而方差最大的根本原因，我感覺是把當前向量空...
關於PCA演算法的學習
先 幾份比較簡單的介紹，後面作補充。協方差就是這樣一種用來度量兩個隨機變數關係的統計量 我們可以仿照方差的定義 來度量各個維度偏離其均值的程度，協方差可以這麼來定義 那麼，協方差的結果有什麼意義呢？如果結果為正值，則說明兩個隨機變數是正相關的 從協方差可以引出 相關係數 的定義 結果為負值就說明負相...