降維
PCA演算法及其應用
主成分分析(PCA)，通常用于高維資料的探索與可視化，可以拔具有相關性的高維變數轉化為線性無關的低維變數，稱為主成分，能夠盡可能保存原始資料的資訊，
幾個概念
方差:樣本與樣本均值的差的平方和的均值，用來度量一組資料的分散程度，
協方差:用于度量兩個變數的線性相關程度，
特征向量:描述資料集結構的非零向量，
原理:矩陣的主成分就是其協方差矩陣對應的特征向量，按照對應特征值排序，分為第一主成分，第二主成分，以此類推，
在sklearn中使用decomposition模塊中的PCA進行降維，
實體，用PCA將鳶尾花資料進行降維，可視化，
代碼見: https://github.com/zwdnet/MyQuant/blob/master/26/PCAtest.py
非負矩陣分解(NMF)
是在矩陣中所有元素均為非負數約束條件下的矩陣分解方法，
基本思想:給定一個非負矩陣V，NMF能夠找到一個非負矩陣W和一個非負矩陣H，使得二者的乘積近似等于矩陣V中的值，
W矩陣，從原矩陣V中提取的特征，
H矩陣，系數矩陣，
分解目標，最小化W與H乘積與V的差異，
在sklearn中使用decomposition模塊中的NMF進行分解，
實體，用NMF進行人臉影像資料集Olivetti特征提取，
代碼見: https://github.com/zwdnet/MyQuant/blob/master/26/face.py
這是原圖
NMF演算法的結果
PCA演算法的結果
可以看到NMF演算法好一點，
我發文章的四個地方，歡迎大家在朋友圈等地方分享，歡迎點“在看”，
我的個人博客地址：https://zwdnet.github.io
我的知乎文章地址： https://www.zhihu.com/people/zhao-you-min/posts
我的博客園博客地址： https://www.cnblogs.com/zwdnet/
我的微信個人訂閱號：趙瑜敏的口腔醫學學習園地
轉載請註明出處，本文鏈接：https://www.uj5u.com/houduan/188625.html
標籤：Python
上一篇：Python簡單介紹
下一篇：python之enumerate