主成分分析

【初译】：具体操作中，为使PCA算法正常工作，我们通常需要满足以下要求：(1) 特征的均值大致为0； (2) 不同的特征的方差相似。对于自然图片，即使不进行方差归一化操作，条件(2)也永远满足，故而我们不进行任何方差归一化操作 （当处理音频文件时，比如声谱，或者文本文件，比如bag-of-word向量，我们通常也不做方差归一化处理）。实际上，PCA算法对于输入数据具有放大（scaling）不变性，无论输入数据的值被如何放大（或缩小），返回的特征值都不改变。下面给出这一说法更规范的描述：如果将每个特征量都乘以同一个正数（即所有特征量被放大或缩小了相同的倍数），PCA的输出特征向量将不会发生变化。

【一审】：具体操作中，为使PCA算法正常工作，我们通常需要满足以下要求：(1) 特征的均值大致为0； (2) 不同的特征的方差相似。对于自然图片，即使不进行方差归一化操作，条件(2)也永远满足，故而我们不进行任何方差归一化操作 （当处理音频数据时，比如声谱，或者文本数据，比如词袋向量，我们通常也不做方差归一化处理）。实际上，PCA算法对于输入数据具有放大（scaling）不变性，无论输入数据的值被如何放大（或缩小），返回的特征值都不改变。下面给出这一说法更规范的描述：如果将每个特征量都乘以同一个正数（即所有特征量被放大或缩小了相同的倍数），PCA的输出特征向量将不会发生变化。

【二审】：具体操作中，为使PCA算法正常工作，我们通常需要满足以下要求：(1) 特征的均值大致为0； (2) 不同特征具备相似的方差。对于自然图片，即使不进行方差归一化操作，条件(2)也永远满足，故而我们不进行任何方差归一化操作 （当处理如声谱等音频数据，或如词袋向量等文本数据时，我们通常也不做方差归一化处理）。实际上，PCA算法对输入数据具有缩放不变性，无论输入数据的值被如何放大（或缩小），返回的特征向量都不改变。更规范的说：如果将每个特征向量 都乘以同一个正数（即所有特征量被放大或缩小相同的倍数），PCA的输出特征向量将不会发生变化。