用pca進行異常檢測的原理是：pca在做特徵值分解之後得到的特徵向量反應了原始資料方差變化程度的不同方向，特徵值為資料在對應方向上的方差大小。所以，最大特徵值對應的特徵向量為資料方差最大的方向，最小特徵值對應的特徵向量為資料方差最小的方向。原始資料在不同方向上的方差變化反應了其內在特點。如果單個資料樣本跟整體資料樣本表現出的特點不太一致，比如在某些方向上跟其它資料樣本偏離較大，可能就表示該資料樣本是乙個異常點。
pca用於異常檢測思路：
思路①：異常資料投影在residual subspace的投影值的長度很長，當長度大於某個閾值時，即判斷為異常資料。 ,為簡單起見，以二維資料為例，如下圖所示：
思路②：基於重構誤差。直觀上說，pca提取了資料的主要特徵，如果乙個資料樣本不能被重構，則說明這個資料樣本的特點和主要資料特徵不一樣，那麼它就是乙個異常樣本。
原文：
PCA與奇異值分解用於人臉檢測
2020.12.16新增 哈哈，遲來的原始碼，csdn要積分，我把它放到github上了 pca svm用於人臉檢測原始碼 歡迎取用，歡迎討論，歡迎star 正文分割線 基於pca svm的人臉識別演算法流程 1 輸入訓練資料，資料預處理 2 進行pca降維 3 進行多分類的svm訓練 人臉識別為多...
PCA故障檢測步驟
pca故障檢測步驟 1.利用正常資料作為訓練集，例如 a 4 5 此處4 5代表行列數，以下相同 2.標準化處理這個矩陣，即減去均值的方法，使得每列元素的平均值為0，那麼各個元素的平方和就是方差 3.求得這個矩陣a的協方差矩陣，即c 1 5 at a c 5 5 4.需要求出協方差矩陣的特徵向量以及...
PCA 的思路和推導
pca是一種較為常用的降維技術，pca的思想是將n維特徵對映到k維上，這k維是全新的正交特徵。這k維特徵稱為主元，是重新構造出來的k維特徵。在 pca中，資料從原來的座標系轉換到新的座標系下，新的座標系的選擇與資料本身是密切相關的。其中，第乙個新座標軸選擇的是原始資料中方差最大的方向，第二個新座標軸...