模式识别第讲.pptVIP

第一页，共三十四页，2022年，8月28日 第3次课程概要 模式判别 PCA 特征评价 维数比率问题 第二页，共三十四页，2022年，8月28日 PCA Principal component analysis 主元分析 或 主成分分析 功能：简化复杂数据到低维空间，从而发现数据中隐藏的简单结构。 原始数据源（生数据）通常有冗余，包含噪声 PCA的目标：去除冗余，并发现重要特征 PCA 特征评价 维数比率问题 第三页，共三十四页，2022年，8月28日 PCA的大致思路 认为原始数据X是复杂的（有噪声有冗余），要对X重新表示 重新表示后数据的维度即为隐藏于X中的简单结构 PCA 特征评价 维数比率问题 第四页，共三十四页，2022年，8月28日 PCA怎么做？ 技术路线 利用线性代数为工具，用另一组基去重新描述数据空间 新的基能够最好地表示原数据X 原有的基是什么样的形式呢？Na?ve basis： 目标：找到另一组基，能最好表达数据集，这个新的基是原有基的线性组合 PCA 特征评价 维数比率问题 采用该方法就隐含了一个假设：线性。数据限制在一个向量空间里，能被一组基表示 第五页，共三十四页，2022年，8月28日 基变换 n个样本 每个样本m个特征 构成m×n的矩阵X P是从X到Y的转换矩阵 几何上，Y由对X旋转拉伸得到 P的行向量构成一组新的基，而Y是在这组基下对X的重