PCA中是对谁进行特征值分解

问一下在PCA中是对谁进行SVD，是对数据矩阵还是对其协方差矩阵

写回答
好问题 0 提建议
关注问题
分享
邀请回答
编辑收藏删除
收藏举报

1条回答默认最新

关注

码龄粉丝数原力等级 --

被采纳

被点赞

采纳率
爱晚乏客游 2022-09-30 15:19
关注
协方差矩阵
具体可以看链接说的比较详细
深入理解PCA与SVD的关系 - 知乎先简单回顾下主成分析 PCA(principle component analysis)与奇异值分解SVD(singular value decomposition)。一、主成分析PCA 1、所解决问题给定 m 个 n 维样本X=\left\{ x_0, x_1, ...,x_m \right\} ，通过变换 y=… https://zhuanlan.zhihu.com/p/58064462

本回答被题主选为最佳回答 , 对您是否有帮助呢?

解决 1
无用
评论打赏
分享
举报

评论

按下Enter换行，Ctrl+Enter发表内容

报告相同问题？

关注问题

PCA中一个特征列的数据是一个维度吗？ python 机器学习
2022-12-26 11:57

回答 2 已采纳是的，如果你有100个样本，6列特征列，那么这个数据集是六维的。使用 PCA 进行降维时，你可以选择降到任意维度，例如 2 维。如果你使用 PCA 降维到 2 维，你将得到一个 100 行 2 列的矩
pca = PCA(n_components= n) 其中n是主成分比例，还是降到几维？ sklearn 机器学习
2022-04-23 11:45

回答 2 已采纳都正确. 如果是浮点数就表示保留的比例详情可以看官方文档或者源码
PCA后后特征携带原特征信息量的比例之和为1 python
2023-03-21 16:54

回答 1 已采纳不知道你这个问题是否已经解决, 如果还没有解决的话: 这篇文章讲的很详细，请看：PCA 异常检测如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更
【人工智能数学基础篇】——深入详解矩阵分解：奇异值分解（SVD）与主成分分析（PCA）在数据降维与特征提取中的应用
2024-12-17 10:26

猿享天开的博客深入详解矩阵分解：奇异值分解（SVD）与主成分分析（PCA）在数据降维与特征提取中的应用
scikit pca主成分分析 python 人工智能机器学习
2022-10-07 10:27

回答 1 已采纳不知道你这个问题是否已经解决, 如果还没有解决的话: 请看👉 ：SciKit-Learn 可视化数据:主成分分析(PCA)如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相
如何使用PCA技术可视化分析NSL-KDD 人工智能
2020-08-15 22:43

回答 1 已采纳 PCA就是用来降维的，去掉无关的维度，然后再可视化。
主成分分析 pca要咋做了 sklearn 人工智能机器学习
2022-10-07 15:08

回答 1 已采纳假设你的数组一个是1xn的然后你有m个数组，那么可以拼接成 mxn的矩阵，对矩阵进行降维就可以了
特征值分解原理及实战
2024-11-11 10:21

goTsHgo的博客 特征值分解（Eigenvalue Decomposition）是线性代数中的一种重要技术，用于分析矩阵的内在属性。这种分解方法主要适用于方阵（即行数和列数相等的矩阵），用于将矩阵分解为其特征向量和特征值。
求C#实现PCA算法的例子 c#
2017-09-02 07:48

回答 3 已采纳看了一天的百度，我要是老板，我觉得你是故意的。 ![图片说明](https://img-ask.csdn.net/upload/201709/02/1504341379_376173.png)
PCA 降维后剩下的维度 python scikit-learn
2022-10-29 08:19

回答 1 已采纳主成分分析是对原来的因变量进行线性组合，将原本的空间投影到更低维度的空间。比如你这有9个变量，你设置4，最后得到的就是9个变量的4种线性组合方式，并不是从9个变量中挑选出4个。
用python 对csv数据进行预处理 python 深度学习
2023-03-29 19:09

回答 3 已采纳 import pandas as pd import matplotlib.pyplot as plt from sklearn.decomposition import PCA # 读取CSV文件
降维与压缩——利用特征值分解（EVD）进行主成分分析（PCA）
2021-01-26 10:53

Jayphone17的博客求协方差矩阵特征值、特征向量特征向量→特征矩阵→对角化 import numpy as np from scipy import linalg C = np.array([[6,4],[4,6]]) evalue, evector = linalg.eig(C) #求解特征值和特征矩阵 print(evalue) ...
人工智能机器学习-主成分分析PCA降维
2024-09-17 18:02

PCA的运算过程包括数据预处理、协方差矩阵的计算、特征值分解或奇异值分解，以及选择主成分和数据投影。PCA广泛应用于数据可视化、特征选择、噪声过滤和模式识别等领域。然而，PCA是一种线性降维技术，对于非线性...
【面试】解释特征值分解和奇异值分解
2024-08-11 11:15

Lewiz_124的博客将方阵分解为特征向量矩阵、特征值对角矩阵和特征向量矩阵的逆。主要用于对角化矩阵的分析，仅适用于方阵。将任意矩阵分解为两个正交矩阵和一个对角矩阵。适用于所有矩阵，广泛用于数据降维、矩阵近似和最小二乘问题...
《机器学习中的数学》——PCA与特征值分解
2020-04-02 16:57

林三撇的博客 PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。本篇主要从线性代数角度分析PCA。问题分析给定矩阵X⊆Rm∗nX \mathbb \subseteq \mathbb R^{m*n...
没有解决我的问题, 去提问

问题事件

关注

码龄粉丝数原力等级 --

被采纳

被点赞

采纳率
系统已结题 10月8日
关注

码龄粉丝数原力等级 --

被采纳

被点赞

采纳率
已采纳回答 9月30日
关注

码龄粉丝数原力等级 --

被采纳

被点赞

采纳率
创建了问题 9月29日

PCA中是对谁进行特征值分解

1条回答 默认 最新

问题事件

1条回答默认最新