在这里简单记录下学习PCA的一次简单实践；
为什么需要用到PCA呢?在数据挖掘中，维度太大是一个很大的问题，影响挖掘的效率，PCA是一个最常用的、简单、基础理论完备的方法。
PCA(主成分分析)的手推过程
求给出矩阵X(m x n)的协方差矩阵S(m x m)； 计算协方差矩阵的特征值λ和特征向量α； 计算方差贡献率 ；T i = λ i ∑ i = 1 n λ i T_i = frac{lambda_i}{sum_{i=1}^nlambda_i} Ti=
PCA在鸢尾花数据降维分析中的应用
最新推荐文章于 2024-05-30 08:33:57 发布
evil_destiny 于 2020-04-16 23:11:52 发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文介绍了PCA（主成分分析）在处理高维数据时的作用，并通过手动推导PCA的过程，详细解释了如何计算特征值、特征向量及方差贡献率。以鸢尾花数据集为例，展示了如何使用Python实现PCA，包括数据标准化、计算协方差矩阵、选取主要特征等步骤，最终得到数据的主成分。
摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >
T i = λ i ∑ i = 1 n λ i T_i = frac{lambda_i}{sum_{i=1}^nlambda_i} Ti=
相关知识
PCA在鸢尾花数据降维分析中的应用
PCA实现鸢尾花数据集降维可视化
基于PCA与LDA的数据降维实践
机器学习（三）降维之PCA及鸢尾花降维
基于PCA的数据降维（鸢尾花（iris）数据集）
鸢尾花数据集降维可视化
鸢尾花数据可视化，PCA降到两维后，对数据标准化、归一化
机器学习利用PCA完成鸢尾花数据集的降维与分类
鸢尾花数据集降维后高维数据可视化
使用pca的降维方法对sklearn官方iris（鸢尾花）数据集进行降维，并绘图显示
网址: PCA在鸢尾花数据降维分析中的应用 https://m.huajiangbk.com/newsview1947012.html
| 上一篇: 芍药越天山，蜜桃上高原 拼多多重 |
下一篇: python 鸢尾花数据集报表展 |
