学习内容 - 模式识别.ppt

特征向量的累积贡献率曲线 我们发现，采用极少量的特征分量就能够表示出人脸的差异性。 特征脸(前50个特征脸) 主成份分量为300的重构脸 主成份分量个数为100的重构脸 主成分分量个数为30的重构脸 主成份分量个数10的重构脸 KNN下不同PCs人脸识别正确率 分析上表，我们可以知道在同一种分类器下 ，主成分分量个数越多，信息损失越小，识别率越高，但是适当减少PC个数，可以做到对正确率影响极小，本例我们可以把特征数从200降到10. MDS MDS：Multidimensional Scaling (多维尺度分析) MDS是已知样本点之间的相似关系，目标是能够找到一个多维空间，在这个空间中描述这些样本点。当然希望这个多维空间的维度越小越好。 MDS数学原理 假设已知有n个样本点， 样本点之间的相似度 为D. 假设可以在p维空 间表示这些样本点X. MDS目标就是希望通过相似矩阵D求解出样本矩阵X。 假设相似矩阵D中相似度由欧氏距离相似度表示，则 我们发现：若B=X’X，则 那么能否通过D求出B，再特征分解求X呢？？ X D 计算B 因此，可以由相似矩阵D求出矩阵B 矩阵B的性质 对称性 非负定性 设V=(I-1*1’/n),即中心化系数矩阵，若D是距离相似度矩阵，则Dij=0，Dii=0，VDV非正定 (Schoenberg 给出)