主成份分析就是求出原始数据矩阵的协方差矩阵对应的特征值和特征向量，对特征值进行由大而小的排序，再根据特征值对应的特征向量进行线性变换，得到新的向量（新的向量间相互正交）。通过设定阈值可以用低维的新向量近似表示高维的原向量（协方差矩阵为非奇异的）；若协方差矩阵为奇异的，且零特征值较多，这种情况使用低维的新向量也可以完全表示高维原向量。...
分类：
其他好文 时间：
2014-12-26 16:51:22
阅读次数：
255
半变异函数/协方差云工具显示了一个数据集内的所有位置对的经验半变异函数和协方差值，并且将其作为分隔两位置的距离的函数进行绘制，如以下示例所示：
半变异函数/协方差云工具可以用来检查数据集中空间自相关的局部特征以及查找局部异常值。半变异函数云的形式如下：
在上图中，每个红点显示根据分隔两个数据点的距离绘制的经验半变异函数值(组成一对的两个数据点的值的平方差...
分类：
其他好文 时间：
2014-12-25 18:20:20
阅读次数：
531
白化是一种重要的预处理过程，其目的就是降低输入数据的冗余性，使得经过白化处理的输入数据具有如下性质：(i)特征之间相关性较低；(ii)所有特征具有相同的方差。
白化处理分PCA白化和ZCA白化，PCA白化保证数据各维度的方差为1，而ZCA白化保证数据各维度的方差相同。PCA白化可以用于降维也可以去相关性，而ZCA白化主要用于去相关性，且尽量使白化后的数据接近原始输入数据。
1...
分类：
其他好文 时间：
2014-12-25 16:25:46
阅读次数：
312
交叉协方差云显示了两个数据集间的所有位置对的经验交叉协方差，并且将其作为两位置间距离的函数对其进行绘制。...
分类：
其他好文 时间：
2014-12-24 14:45:41
阅读次数：
180
http://www.cnblogs.com/chaosimple/p/3182157.htmlhttp://blog.csdn.net/goodshot/article/details/8611178一、统计学的基本概念统计学里最基本的概念就是样本的均值、方差、标准差。首先，我们给定一个含有n个样...
分类：
其他好文 时间：
2014-12-23 23:50:34
阅读次数：
338
“交叉协方差云”工具可用于研究两个数据集之间的交叉相关。考虑臭氧（数据集 1）和 NO2（数据集 2）之间的关系。...
分类：
其他好文 时间：
2014-12-19 14:30:33
阅读次数：
200
主成份分析历史：
Pearson于1901年提出，再由Hotelling（1933）加以发展的一种多变量统计方法。通过析取主成分显出最大的个别差异，也用来削减回归分析和聚类分析中变量的数目，可以使用样本协方差矩阵或相关系数矩阵作为出发点进行分析。
通过对原始变量进行线性组合，得到优化的指标：把原先多个指标的计算降维为少量几个经过优化指标的计算（占去绝大部分份额）
基本思想：设法将原先众多具有...
分类：
编程语言 时间：
2014-12-15 10:29:54
阅读次数：
290
原文链接自从上次谈了协方差矩阵之后，感觉写这种科普性文章还不错，那我就再谈一把协方差矩阵吧。上次那篇文章在理论层次介绍了下协方差矩阵，没准很多人觉得这东西用处不大，其实协方差矩阵在好多学科里都有很重要的作用，比如多维的正态分布，再比如今天我们今天的主角——主成分分析(Principal Compon...
分类：
其他好文 时间：
2014-12-13 23:18:59
阅读次数：
265
问：为什么要去均值？1、我认为归一化的表述并不太准确，按统计的一般说法，叫标准化。数据的标准化过程是减去均值并除以标准差。而归一化仅包含除以标准差的意思或者类似做法。2、做标准化的原因是：减去均值等同于坐标的移动，把原始数据点的重心移到和原点重合，这样利于很多表达，比如数据的协方差矩阵可以写成XX'...
分类：
其他好文 时间：
2014-12-08 00:34:02
阅读次数：
303
1. PCA整体思想PCA，Principle Componet Analysis，主成分分析，主要用于数据降维。它通过计算给定数据集的协方差矩阵的特征值和特征向量，来得到数据集最关键的方向（数据集在此方向的投影方差最大，这个能保持最多的信息），并从关键的方向中选取前k个构成k维空间，在此空间中重新...
分类：
其他好文 时间：
2014-12-07 06:28:10
阅读次数：
171
