主成分分析PCA学习笔记
主成分分析（principal components analysis，PCA）是一个简单的机器学习算法，主要思想是对高维数据进行降维处理，去除数据中的冗余信息和噪声。算法：输入样本：$D=\left \{ x_{1},x_{2},\cdots ,x_{m}\right \}$ 低纬空间的维数 过程：·1：对所有样本进行中心化：$x_i\leftarrow x_i-\frac{1}{m}\sum_{i=1}^{m}x_i$；2：计算所有样本的协方差矩阵：$XX^T$；3:对协方差矩阵$XX^T$做特征值分解；4：取最大的${d}'$个特征值做所对应的特征向量$w_1,w_2,\cdots ,w_{d'}$.输出：投影矩阵$W=(w_1,w_2,\cdots ,w_{d'})$PCA算法主要用在图像的压缩，图像的融合，人脸识别上： PCA 在python的sklearn包中给出了PCA的接口： from sklearn.decomposition import PCA import numpy as np X=np.array([[-1,-1],[-2,-1],[-3,-2],[1,1]...
