机器学习-主成分及奇异值规范.docVIP

机 器 学 习 期 末 报 告 成员：白子轩，安勇正，李文涛，王琳 时间：2016年4月9日 主成分分析（PCA）与奇异值分解（SVD)原理及其应用 一、导论 在实际问题研究中，多变量问题是经常会遇到的。变量太多，无疑会增加分析问题的难度与复杂性，而且在许多实际问题中，多个变量之间是具有一定的相关关系的。 为了解决这些问题，最简单和最直接的解决方案是削减变量的个数，但这必然又会导致信息丢失和信息不完整等问题的产生。为此，人们希望探索一种更为有效的解决方法，它既能大大减少参与数据建模的变量个数，同时也不会造成信息的大量丢失。主成分分析正式这样一种能够有效降低变量维数，并已得到广泛应用的分析方法。 二、主成分分析（PCA） 主成分分析是数学上对数据降维的一种方法。其基本思想是设法将原来众多的具有一定相关性的指标(比如p个指标），重新组合成一组较少个数的互不相关的综合指标来代替原来指标。那么综合指标应该如何去提取，使其既能最大程度的反映原变量所代表的信息，又能保证新指标之间保持相互无关（信息不重叠）。 设表示原变量的第一个线性组合所形成的主成分指标，即,由数学知识可知，每一个主成分所提取的信息量可用其方差来度量，其方差越大，表示包含的信息越多。所含的信息量最大，因此在所有的线性组合中选取的应该是方差最大的，故称为第一主成分如果第一主成分不足以代表原来个指标的信息，