referencia
principios matemáticos de la PCA
[RPM] de Matlab búsqueda de varianza, desviación estándar, la función de covarianza media
Análisis de componentes principales (PCA) principios detallados
algoritmo PCA
La significación es dos multiplicación de la matriz de cada columna para la matriz de transformación de matriz derecha vector columna a la izquierda de cada vector es el senderismo grupo espacial representada go . Más abstracta que una matriz de transformación lineal puede representar uno.
Por encima discutimos la selección de diferentes grupos se pueden dar diferentes representaciones del mismo conjunto de datos, y si el número de grupos es menor que la dimensión del vector de sí mismo, el efecto de reducción de la dimensión se puede lograr.
Un conjunto de N vector -dimensional reduce K dimensiones ( K mayor que 0 y menor que N ), el objetivo es seleccionar K unidades (módulo 1 ) Después de una base ortogonal, de tal manera que los datos originales se convierte en el conjunto de grupos, cada campo veintidós covarianza entre 0 , y la varianza del campo es tan grande como sea posible (en la restricción perpendicular, teniendo el máximo de K número varianza) .
Valores propios y direcciones: vector de características que representa la dirección de estiramiento, el valor de característica que representa el grado de estiramiento.