主成分分析
From Ufldl
| Line 9: | Line 9: | ||
== Introduction 引言 == | == Introduction 引言 == | ||
| - | |||
【原文】：Principal Components Analysis (PCA) is a dimensionality reduction algorithm | 【原文】：Principal Components Analysis (PCA) is a dimensionality reduction algorithm | ||
| Line 37: | Line 36: | ||
【二审】：假设你使用图像来训练算法，那么输入数据是有一定冗余的，因为图像中相连的像素是强相关的。具体来说，假如我们正在训练的16x16灰度值图像，那么<math>\textstyle x \in \Re^{256}</math>是个256维向量，其中，特征值<math>\textstyle x_j</math>对应每个像素的亮度值。因为相连像素间具有相关性，PCA算法可以将输入向量转换为一个维数低很多的近似向量，并仅产生极小的误差。 | 【二审】：假设你使用图像来训练算法，那么输入数据是有一定冗余的，因为图像中相连的像素是强相关的。具体来说，假如我们正在训练的16x16灰度值图像，那么<math>\textstyle x \in \Re^{256}</math>是个256维向量，其中，特征值<math>\textstyle x_j</math>对应每个像素的亮度值。因为相连像素间具有相关性，PCA算法可以将输入向量转换为一个维数低很多的近似向量，并仅产生极小的误差。 | ||
| + | |||
== Example and Mathematical Background 实例和数学背景 == | == Example and Mathematical Background 实例和数学背景 == | ||
