pca降维后的数据怎么理解 什么叫

什么叫

一般来说，蟑螂一直在爬行。我拿起拖鞋，把它弄平了。这就是降维罢工

K-L变换是离散变换的缩写，也称为主成分变换（PCA）。它是多光谱图像X的线性组合，利用K-L变换矩阵a产生一组新的多光谱图像y，表达式如下：

y=ax

其中X是变换前多光谱空间的像素向量；

y是变换前Houde主成分空间的像素向量；

A是变换矩阵，是X空间中协方差矩阵∑X的特征向量矩阵的转置矩阵。

从几何角度看，变换后的主分量空间坐标系相对于原多光谱空间坐标系旋转一个角度，新坐标系的坐标轴必须指向数据信息量大的方向。就新谱带的主成分而言，它们包含了不同的信息，并呈现出下降的趋势。

我建议大家看一下张峥、王艳萍、薛贵祥等主编的《数字图像处理与机器视觉》第10章

图像的PCA降维原理？

这需要数据和具体问题的具体分析。

在高维情况下，主成分分析的优点是消除方差小的特征。如果有许多方差很小的特征，这样的消元方法便于数据处理。如果所有特征方差都较大，即降维不明显，主成分分析的效果就不明显。

因此，对于低维数据，如果方差非常小，可以使用PCA进一步降低数据的维数。如果没有小方差的特征，就没有影响。

至于使用PCA降维是否会让您的数据更有利于下一步的处理，比如机器学习，我们需要自己去探索。有人说没有无用的数据，也有人说信息量小的数据毫无价值。因此，效果需要具体分析。

pca降维后的数据怎么理解 pca降维后怎么输出重要特征 pca降维后数据重建

版权声明：本文内容由互联网用户自发贡献，本站不承担相关法律责任.如有侵权/违法内容,本站将立刻删除。