模式识别第讲.pptVIP

第1页，共34页，星期日，2025年，2月5日第3次课程概要模式判别PCA特征评价维数比率问题第2页，共34页，星期日，2025年，2月5日PCAPrincipalcomponentanalysis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3页，共34页，星期日，2025年，2月5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4页，共34页，星期日，2025年，2月5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?vebasis：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5页，共34页，星期日，2025年，2月5日基变换n个样本每个样本m个特征构成m×n的矩阵XP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