计算过程参考:《机器学习——主成分分析(PCA)》
代码:
X = np.array([[-1, -2], [-1, 0], [0, 0], [2, 1], [0, 1]]) print(X) def PCA(X,n): #转置 X = np.transpose(X) #求特征的均值 X_mean = np.mean(X,axis =1) # 计算每一行的均值 X = X - X_mean.reshape(-1,1) #求协方差 cov_mat = 1.0/(X.shape[1])*np.dot(X,X.T) # 将协方差进行特征值分解 第一个返回值是特征值矩阵,第二个返回值是特征向量矩阵 values,vectors = np.linalg.eig(cov_mat) print(values) print(vectors) # 按特征值将特征向量进行排序 # 拼接一个特征值和特征向量一起的矩阵 eig_mat = [(np.abs(values[i]),vectors[:,i]) for i in range(len(X))] print(eig_mat) # 排序 eig_mat.sort(reverse=True) # 拼接WT矩阵 降维后的权重矩阵,只保留要保留的列 WT = np.array([_[1] for _ in eig_mat[:n]]) print(WT) # 对X进行转换,降维 return np.dot(WT,X) n=1 PCA(X,n)
标签:mat,print,WT,eig,np,手写,PCA 来源: https://www.cnblogs.com/BlairGrowing/p/15706251.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。