主成分分析（PCA）中的协方差矩阵求法？

yutianzuijin
领域专家: 算法与数据结构技术领域
2012-04-20 11:38:41
最近要做一个人脸识别的程序，现在想采用PCA方法。从csdn上也下了一个资源：http://download.csdn.net/detail/zjhwisdom/2147798，研究了一下代码。
现在有一个问题：协方差矩阵标准的求法是x*x',但是有可能x的维数太大，导致协方差矩阵的行数非常大。上述下载的代码却是求的x'*x，我想问一下虽然这样可以降低维数，但是这有道理吗？是否正确？
...全文
1087 2 打赏 收藏 举报
写回复
用AI写文章
2 条回复
切换为时间正序
请发表友善的回复…
发表回复
digitalfilter 2013-12-09
  • 打赏
  • 举报
 回复
代码中采用的应该是零均值的行向量，此时的协方差矩阵是x'*x，列向量的话应该是x*x'。
alice_ice_lemon 2013-05-07
  • 打赏
  • 举报
 回复
您好 我也在做人脸识别的毕设 用VC编程的 能否发给我个案例参考 非常感谢！！！421369006@qq.com
主成分分析（PCA）原理详解
“微信公众号”本文同步更新在我的微信公众号里，地址：https://mp.weixin.qq.com/s/Xt1vLQfB20rTmtLjiLsmww本文同步更新在我的知乎专栏里面：主成分分析（PCA）原理详解 - Microstrong的文章 - 知乎https://zhuanlan.zhihu.com/p/377770741.相关背景在许多领域的研究与应用中，通常需要对含有多个变量的数据进行观...
PCA主成分分析
PCA引入PCA公式描述PCA算法 说明：借鉴吴恩达机器学习视频课程和李航统计机器学习第十六章 引入 PCA是一种常用的无监督学习方法，它是一种降维方法，比如xi是样本点，xi∈Rn,通过PCA算法将xi变换为zi其中(zi∈Rk,k<n)。 《统计》：PCA利用正交变换把由线性相关变量表示的观测数据转换为少数几个由线性无关表示的数据，线性无关的变量称为主成分， PCA公式描述 先通过二维原数据对应的平面图直观体会PCA算法的原理。 PCA算法要达到所有样本点对应红线长度平方之和最小，其中PCA算法
PCA：详解主成分分析
主成分分析算法（PCA）是最常用的线性降维方法，它的目标是通过某种线性投影，将高维的数据映射到低维的空间中，并期望在所投影的维度上数据的信息量最大（方差最大），以此使用较少的数据维度，同时保留住较多的原数据点的特性。
主成分分析(PCA)
1. 主成分分析原理介绍 PCA是一种无监督的降维方法，主要作用是压缩与简化 顾名思义，主成分分析(PCA)是用来分析数据的主要成分的。 打个比方，一些ｎ维点可以用一个ｎ维的坐标完全表示。主成分分析，可以提取出ｎ个空间基向量来表示这些数据点。不过你可以理解成这ｎ个空间基向量是按顺序求出的，首先根据这些ｎ维点确定第一个空间基向量方向，使得如果只能用一个基向量来表示这些点，只使用这个基向量表示这些二维点误差最小。然后求下一个基向量，使得只使用这两个基向量表示这些ｎ维点误差最小。依次类推，直到求出n维度
PCA（主成分分析）
PCA的主要思想是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征。∑是一个m∗n的矩阵，∑除了对角线其它元素都为0，对角线上的元素称为奇异值。VT是V的转置矩阵，是一个n∗n的矩阵，它里面的正交向量被称为右奇异值向量。通过计算数据矩阵的协方差矩阵，然后得到协方差矩阵的特征值和特征向量，选择特征值最大(即方差最大)的k个特征所对应的特征向量组成的矩阵。其中，Q是矩阵A的特征向量组成的矩阵，Σ则是一个对角阵，对角线上的元素就是特征值。
其他开发语言

3,425

社区成员

15,624

社区内容

发帖
与我相关
我的任务
社区描述
其他开发语言 其他开发语言
社区管理员
  • 其他开发语言社区
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章