pca的主要適用場景：
（1）非監督式的資料集
它是一種非監督式的降維方法，因此適用於不帶有標籤的資料集，對於帶有標籤的可以採用lda
（2）根據方差自主控制特徵數量
最大的主成分的數量會小於或等於特徵的數量，即，pca可以輸出全部的特徵，具體取決於選擇特徵中解釋的方差比例
（3）更少的正則化處理
選擇較多的主成分將導致更少的平滑，因為能保留很多特徵，減少正則化
（4）資料量較大的資料集
資料量大指資料記錄多和維度多兩種情況，pca對大型資料集的處理效率高
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...