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...