pca和KPCA详细介绍与分析全网最全最经典.docxVIP

pca和KPCA详细介绍与分析全网最全最经典 pca和KPCA详细介绍与分析全网最全最经典 PAGE / NUMPAGES pca和KPCA详细介绍与分析全网最全最经典 第二章 主成分剖析 主成分剖析的基来源理 统计学上 PCA 的定义为用几个较少的综合指标来取代本来许多的指 标，而这些较少的综合指标既能尽多地反应本来许多指标的实用信息， 且相 互之间又是没关的。 作为一种成立在统计最优原则基础上的剖析方法， 主成 分剖析拥有较长的发展历史。 在 1901 年，Pearson第一将变换引入生物学领 域，并从头对线性回归进行了剖析，得出了变换的一种新形式。 Hotelling 于 1933 年则将其与心理测试学领域联系起来，把失散变量转变成没关系系 数。在概率论理论成立的同时， 主成分剖析又独自出现， 由 Karhunen 于 1947 年提出，随后 Loeve 于 1963 年将其概括总结。所以，主成分剖析也被称为 K-L 变换 [1] 。 PCA 运算就是一种确立一个坐标系统的直交变换，在这个新的坐标系 统下，变换数据点的方差沿新的坐标轴获取了最大化。 这些坐标轴常常被称 为是主成分。 PCA 运算是一个利用了数据集的统计性质的特色空间变换， 这类变换在无损或极少损失了数据集的信息的状况降落低了数据集的维数。 PCA 的基来源理以下：给定输入数据矩阵 Xm n ( 往常 m