均值，方差，協方差的運算公式
舉例說明
**演示
import numpy as np
a = np.mat([[10, 15, 29], [15, 46, 13], [23, 21, 30], [11, 9, 35]])
a_mean = a.mean(axis = 0) # 求每列的均值
a_d_mean = a - a_mean # 去均值的矩陣
cov_x_y = np.dot(a_d_mean[:, 0].t, a_d_mean[:, 1]) / 3 # 26.58333333
cov_x_z = np.dot(a_d_mean[:, 0].t, a_d_mean[:, 2]) / 3 # -6.08333333
cov_y_z = np.dot(a_d_mean[:, 1].t, a_d_mean[:, 2]) / 3 # -152.08333333
a_cov = np.cov(a.t) # np 自帶的矩陣計算公式 記住一定要轉置
a_cov2 = np.dot(a_d_mean.t, a_d_mean) / (4 - 1) # 協方差矩陣還可以這樣計算，先讓樣本矩陣中心化，即每一維度減去該維度的均值，使每一維度上的均值為0，然後直接用新的到的樣本矩陣乘上它的轉置，然後除以(n-1)即可
a_cov == a_cov2 # 結果相等
協方差矩陣的詳細說明
協方差矩陣的詳細說明 在做人臉識別的時候經常與協方差矩陣打交道，但一直也只是知道其形式，而對其意義卻比較模糊，現在我根據單變數的協方差給出協方差矩陣的詳細推導以及在不同應用背景下的不同形式。變數說明 設為一組隨機變數，這些隨機變數構成隨機向量 每個隨機變數有 m個樣本，則有樣本矩陣 其中 對應著每個...
協方差矩陣的詳細說明
在做人臉識別的時候經常與協方差矩陣打交道，但一直也只是知道其形式，而對其意義卻比較模糊，現在我根據單變數的協方差給出協方差矩陣的詳細推導以及在不同應用背景下的不同形式。變數說明 設為一組隨機變數，這些隨機變數構成隨機向量 每個隨機變數有 m個樣本，則有樣本矩陣 其中 對應著每個隨機向量 x的樣本向量...
協方差矩陣的詳細說明
協方差矩陣的詳細說明 在做人臉識別的時候經常與協方差矩陣打交道，但一直也只是知道其形式，而對其意義卻比較模糊，現在我根據單變數的協方差給出協方差矩陣的詳細推導以及在不同應用背景下的不同形式。變數說明 設其中 單隨機變數間的協方差 隨機變數 根據已知的樣本值可以得到協方差的估計值如下 可以進一步地簡化...