机器学习课堂笔记(十四)

机器学习课堂笔记(十四)

机器学习课堂笔记(十四)_第1张图片
使用低维数据来近似表示高维数据
机器学习课堂笔记(十四)_第2张图片
通过数据可视化来获得降维数据的物理意义
机器学习课堂笔记(十四)_第3张图片
Σ ni=1 不同
Σ 的计算对于所有的样本值
机器学习课堂笔记(十四)_第4张图片
此时计算的是一个样本值 x(i) 的降维 z(i)
机器学习课堂笔记(十四)_第5张图片
保留99%的差异性
机器学习课堂笔记(十四)_第6张图片
[U,S,V] = svd(Sigma)调用一次
机器学习课堂笔记(十四)_第7张图片
使用训练集运行PCA,这样定义了x-z的映射,可将其应用于测试集合交叉验证集
机器学习课堂笔记(十四)_第8张图片
PCA应用于可视化时,k=2或k=3
机器学习课堂笔记(十四)_第9张图片
使用PCA避免过拟合将会丢失信息
机器学习课堂笔记(十四)_第10张图片
首先使用原始数据,当算法表现不好时再考虑PCA

你可能感兴趣的:(机器学习课堂笔记(十四))