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間中的測試標準用到了你認為的那個方差最大的向量空間中，感覺類似於這種情況：首先對於向量x=,他有5個維度，那麼如果預設就是以基向量ui=為底的向量空間中的乙個點，但是我可以用另外一組基向量，使得樣本方差最大；
如圖（以3維舉例）：
這分別是兩組基向量，但是預設為左邊的，不過右邊的基向量的樣本方差大，所以我們就轉化為以右邊為主的基向量，就是y=utx。
就是y=ix與y=g*x(i是單位矩陣,而g是乙個通過基向量構成的矩陣)，然後樣本的每個個體轉化為右邊後，它們之間的方差就比左邊的大；
而pca進行特徵提取，應該就是在g這個向量空間中選了幾個方差最大的維度。
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...
關於博弈的思考
博弈，決策，永恆的主題 在博弈的過程中不要考慮是否公平，而是要考慮是否對你自己有利。這句話很值得思考。人生無時無刻不在博弈，無論是在微觀上，兩個人之間的談話 還是在巨集觀上每次人生抉擇的過程，博弈，總是在乙個恰當的視點上讓人設身處地的感受到。在博弈的過程中，公平與否，很多人都在抱怨 有的時候是與自己...