主成分分析
From Ufldl
m |
m |
||
| Line 41: | Line 41: | ||
== Example and Mathematical Background == | == Example and Mathematical Background == | ||
| + | |||
| + | 实例和数学背景 | ||
【原文】：For our running example, we will use a dataset | 【原文】：For our running example, we will use a dataset | ||
| Line 50: | Line 52: | ||
from 256 to 50 dimensions, say; but using lower dimensional data in our example | from 256 to 50 dimensions, say; but using lower dimensional data in our example | ||
allows us to visualize the algorithms better.) Here is our dataset: | allows us to visualize the algorithms better.) Here is our dataset: | ||
| + | |||
| + | 【初译】：在我们的实例中，输入数据集<math>\textstyle \{x^{(1)}, x^{(2)}, \ldots, x^{(m)}\}</math>是<math>\textstyle n=2</math>维的数据，即<math>\textstyle x^{(i)} \in \Re^2</math>。假如想把数据从2维降到1维。（实际上，我们是想把数据从255维降到50维；但是用低维的数据我们可以用图形来更直观的解释算法）。 | ||
| + | |||
| + | 【一审】：在我们的实例中，输入数据集<math>\textstyle \{x^{(1)}, x^{(2)}, \ldots, x^{(m)}\}</math>是<math>\textstyle n=2</math>维的数据，即<math>\textstyle x^{(i)} \in \Re^2</math>。假如想把数据从2维降到1维。（实际上，我们是想把数据从255维降到50维；但是用低维的数据我们可以用图形来更直观的解释算法）。 | ||
| + | |||
| + | 【二审】：在我们的实例中，使用的输入数据集表示为<math>\textstyle \{x^{(1)}, x^{(2)}, \ldots, x^{(m)}\}</math>，维度<math>\textstyle n=2</math>，即<math>\textstyle x^{(i)} \in \Re^2</math>。假设我们想把数据从2维降到1维。（在实际应用中，我们往往需要把数据从256维降到50维；但在我们的示例中使用低维数据，可更直观的展现算法），下图是我们的数据集： | ||
| + | |||
[[File:PCA-rawdata.png|600px]] | [[File:PCA-rawdata.png|600px]] | ||
