matlab类间散度矩阵,协方差矩阵和散布矩阵(散度矩阵)的意义
在机器学习模式识别相关算法中,经常需要求样本的协方差矩阵C和散布矩阵S。如在PCA主成分分析中,就需要计算样本的散度矩阵,而有的教材资料是计算协方差矩阵。实质上协方差矩阵和散度矩阵的意义就是一样的,散布矩阵(散度矩阵)前乘以系数1/(n-1)就可以得到协方差矩阵了。
在模式识别的教程中,散布矩阵也称为散度矩阵,有的也称为类内离散度矩阵或者类内离差阵,用一个等式关系可表示为:
关系:散度矩阵=类内离散度矩阵=类内离差阵=协方差矩阵×(n-1)
样本的协方差矩阵乘以n-1倍即为散布矩阵,n表示样本的个数,散布矩阵的大小由特征维数d决定,是一个为d×d的半正定矩阵。
一、协方差矩阵的基础
对于二维随机变量(X,Y)之间的相互关系的数字特征,我们用协方差来描述,记为Cov(X,Y):
那么二维随机变量(X,Y)的协方差矩阵,为:
对于3维随机变量(X, Y, Z)的协方差矩阵可表示为:
现实应用中,上式n表示样本的个数,随机变量(X, Y,Z)可以看作样本的特征(属性);
需要特别说明的是:
(1)协方差矩阵是一个对称矩阵,且是半正定矩阵,主对角线是各个随机变量的方差(各个维度上的方差)。
(2)标准差和方差一般是用来描述一维数据的;对于多维情况,而协方差是用于描述任意两维数据之间的关系,一般用协方差矩阵来表示。因此协方差矩阵计算的是不同维度之间的协方差,而不是不同样本之间的。
(3)协方差计算过程可简述为:先求各个分量的均值E(Xi)和E(Xj),然后每个分量减去各自的均值得到两条向量,在进行内积运算,然后求内积后的总和,最后把总和除以n-1。
例子:设有8个样本数据,每个样本有2个特征:(1,2);(3 3);(3 5);(5 4);(5 6);(6 5);(8 7);(9 8),那么可以看作二维的随机变量(X,Y),即
X=[1 3 3 5 5 6 8 9]
Y=[2 3 5 4 6 5 7 8]
Matlab中可以使用cov(X, Y)函数计算样本的协方差矩阵,其中X,Y都是特征向量。当然若用X表示样本的矩阵(X中每一行表示一个样本,每列是一个特征),那么可直接使用cov(X)计算了。
clear all
clc
X=[1,2;3 3;3 5;5 4;5 6;6 5;8 7;9 8]%样本矩阵:8个样本,每个样本2个特征
covX= cov(X)%使用cov函数求协方差矩阵运行结果为:
covX =
7.1429 4.8571
4.8571 4.0000当然,可以按定义计算,Matlab代码如下:
clear all
clc
X=[1,2;3 3;3 5;5 4;5 6;6 5;8 7;9 8]%样本矩阵:8个样本,每个样本2个特征
covX= cov(X)%使用cov函数求协方差矩阵
%% 按定义求协方差矩阵
meanX=mean(X) %样本均值
varX=var(X) %样本方差
dimNum=8; %s样本个数ize(X,1)=8
dim1=X(:,1); %特征分量1
dim2=X(:,2); %而在分量2
c11=sum( (dim1-mean(dim1)) .* (dim1-mean(dim1)) ) / ( dimNum-1 );
c21=sum( (dim2-mean(dim2)) .* (dim1-mean(dim1)) ) / ( dimNum-1 );
c12=sum( (dim1-mean(dim1)) .* (dim2-mean(dim2)) ) / ( dimNum-1 );
c22=sum( (dim2-mean(dim2)) .* (dim2-mean(dim2)) ) / ( dimNum-1 );
C33=[c11,c12;c21,c22]%协方差矩阵运行结果:
varX =
7.1429 4.0000
C33 =
7.1429 4.8571
4.8571 4.0000说明:
从中可以发现,样本的协方差矩阵的对角线即为样本的方差。
二、协方差矩阵的几何意义
为了更好理解协方差矩阵的几何意义,下面以二维正态分布图为例(假设样本服从二维正态分布):
clear all;clc
mu=[0,0]; % 均值向量
C=[5 0;0 1] %样本的协方差矩阵
[V,D] =eigs(C) %求协方差矩阵的特征值D和特征向量V
%% 绘制二维正态分布图
[X,Y]=meshgrid(-10:0.3:10,-10:0.3:10);%在XOY面上,产生网格数据
p=mvnpdf([X(:) Y(:)],mu,C);%求取联合概率密度,相当于Z轴
p=reshape(p,size(X));%将Z值对应到相应的坐标上
figure
set(gcf,'Position',get(gcf,'Position').*[1 1 1.3 1])
subplot(2,3,[1 2 4 5])
surf(X,Y,p),axis tight,title('二维正态分布图')
subplot(2,3,3)
surf(X,Y,p),view(2),axis tight,title('在XOY面上的投影')
subplot(2,3,6)
surf(X,Y,p),view([0 0]),axis tight,title('在XOZ面上的投影');
协方差矩阵C的特征值D和特征向量V分别为:
V =
1 0
0 1
D =
5 0
0 1
说明:
1)均值[0,0]代表正态分布的中心点,方差代表其分布的形状。
2)协方差矩阵C的最大特征值D对应的特征向量V指向样本分布的主轴方向。例如,最大特征值D1=5对应的特征向量V1=[1 0]T即为样本分布的主轴方向(一般认为是数据的传播方向)。次大特征值D2=1对应的特征向量V2=[0 1]T,即为样本分布的短轴方向。
协方差矩阵C的特征值D和特征向量V分别为:
V =
0 1
1 0
D =
5 0
0 5
说明:
1)由于协方差矩阵C具有两个相同的特征值D1=D2=5,因此样本在V1和V2特征向量方向的分布是等程度的,故样本分布是一样圆形。
2)特征值D1和D2的比值越大,数据分布形状就越扁;当比值等于1时,此时样本数据分布为圆形。
协方差矩阵C的特征值D和特征向量V分别为:
V =
0.7071 -0.7071
0.7071 0.7071
D =
6 0
0 4
说明:
1)特征值的比值D1/D2=6/4=1.5>1,因此样本数据分布形状是扁形,数据传播方向(样本的主轴方向)为V1=[0.7071 0.7071]T
综合上述,可知:
(1)样本均值决定样本分布中心点的位置。
(2)协方差矩阵决定样本分布的扁圆程度。
是扁还是圆,由协方差矩阵的特征值决定:当特征值D1和D2的比值为1时(D1/D2=1),则样本分布形状为圆形。当特征值的比值不为1时,样本分布为扁形;
偏向方向(数据传播方向)由特征向量决定。最大特征值对应的特征向量,总是指向数据最大方差的方向(椭圆形的主轴方向)。次大特征向量总是正交于最大特征向量(椭圆形的短轴方向)。
三、协方差矩阵的应用
协方差矩阵(散布矩阵)在模式识别中应用广泛,最典型的应用是PCA主成分分析了,PCA主要用于降维,其意义就是将样本数据从高维空间投影到低维空间中,并尽可能的在低维空间中表示原始数据。这就需要找到一组最合适的投影方向,使得样本数据往低维投影后,能尽可能表征原始的数据。此时就需要样本的协方差矩阵。PCA算法就是求出这堆样本数据的协方差矩阵的特征值和特征向量,而协方差矩阵的特征向量的方向就是PCA需要投影的方向。
关于PCA的原理和分析,请见鄙人的博客:
《PCA主成分分析原理分析和Matlab实现方法》:http://blog.csdn.NET/guyuealian/article/details/68487833
如果你觉得该帖子帮到你,还望贵人多多支持,鄙人会再接再厉,继续努力的~
matlab类间散度矩阵,协方差矩阵和散布矩阵(散度矩阵)的意义相关推荐
- 机器学习中的数学(3)——协方差矩阵和散布(散度)矩阵
1.引言 在学习机器学习算法和阅读相关论文的时候,将经常会看到协方差矩阵和散布矩阵的身影,这说明它们在机器学习中具有很重要的作用,究竟有什么样的作用,下面我们就做简要的介绍和分析. 2.统计学上的基本 ...
- 线性判别分析(Linear Discriminant Analysis, LDA)(含类内散度矩阵 类间散度矩阵 全局散度矩阵推导
LDA算法概述: 线性判别式分析(Linear Discriminant Analysis, LDA),也叫做Fisher线性判别(Fisher Linear Discriminant ,FLD),是 ...
- 协方差矩阵和散布矩阵(散度矩阵)的意义
协方差矩阵和散布矩阵的意义 [尊重原创,转载请注明出处]http://blog.csdn.net/guyuealian/article/details/68922981 在机器学习模式识别中, ...
- 【图像分割】基于迭代阙值选择、最大类间差、区域生长多种算法实现图像分割含Matlab源码
1 简介 重点讨论了图像分割法中的阈值研究法,包括迭代阙值选择.最大类间差.区域生长进行了重点分析,用Matlab进行实现并给出了实验结果. 2 部分代码 function varargout = I ...
- 数字图像处理实验(六)|图像分割{阈值分割、直方图法、OTUS最大类间方差法(edge、im2dw、imfilter、imresize)、迭代阈值法、点检测}(附matlab实验代码和截图)
文章目录 一.实验目的 二.实验原理 (一) 阈值分割 1. 直方图法 2.OTSU法(最大类间方差法)确定阈值 3. 迭代阈值法 4. 点检测 (二)边缘检测 三.实验内容 (一)阈值分割 1. 直 ...
- 基于OTSU最大类间方差法的ROI分割、提取图像中的形状特征--面积、周长、离心率、zernike矩
分享一下最近学习的图像分类方面知识,整体的思路如下(之前的汇报ppt里截的) 把这个过程拆分几个部分共同学习一下吧 1.Otsu法原理 最大类间方差法OTSU是一种自适应的全局阈值确定的方法,根据灰度 ...
- 图像处理_Ostu算法(大律法、最大类间方差法)
一.算法简述 Otsu算法是一种用于二值化最佳阈值的选取方法.基本原理是根据阈值T将图像中的像素点分为C1和C2两类,不断的调整阈值T之后若此时两类之间存在最大的类间方差,那么此阈值即是最佳阈值. 二 ...
- 迁移学习领域自适应:具有类间差异的联合概率最大平均差异
©PaperWeekly 原创 · 作者|张玮玮 学校|东北大学硕士生 研究方向|情感识别 论文标题:Discriminative Joint Probability Maximum Mean Dis ...
- Otsu(大津法,最大类间方差法)
虽然很早就看过这本绿皮书,但是当时是刚入门的小菜鸟,根本就不知道这就是大名鼎鼎的大津法,当时只是觉得Otsu好奇怪的英文名字. 现在就来重新看看这个所谓的大津法: nin_ini表示灰度级为i的像素 ...
最新文章
- [How TO]-如何编写Linux kernel documentation
- setup.s 解读——Linux-0.11 剖析笔记(三)
- 商品微服务添加api接口
- CodeForces - 1220E Tourism(边双缩点+树形dp)
- mysql默认乐观锁悲观锁_MySQL中悲观锁和乐观锁到底是什么?-阿里云开发者社区...
- Java ObjectStreamField getName()方法与示例
- NSZombieEnabled使用
- 20. Cookie 和 Session
- android+qq底部界面,Android 高仿QQ 界面滑动效果
- JS动态加载JSON文件并读取数据
- 胡侃学习(理论)计算机-From 南大小百合
- 尾行4攻略女仆计算机密码,【尾行4攻略女仆不动】尾行2,攻略(共10篇)
- 我的世界java版execute指令_命令/execute
- 天眼查app协议逆向分析
- python分形曲线代码_Python:绘制L-System的分形图
- 数值计算笔记之非线性方程的求解(一)二分法
- kermit的安装、配置、使用等
- 无炫技:纯粹的Bert和Roberta
- SpringBoot全局配置文件介绍
- 侯捷C++->组合与继承
热门文章
- “螺蛳粉宇宙中心”柳州,看网红速食如何实现长红?
- 《Oracle系列》Docker安装Oracle,Navicate连接Oracle
- CAD制图初学入门常见问题秘笈,助你摆脱节后综合症!(上)
- 无头结点单链表的逆置_无头节点的链表.PPT
- esp8266学习报告
- 不固定列动态行转列SQL
- 中级会计职称考试可以带计算机么,中级会计师无纸化考试允许带计算器入场吗?...
- 网络安全相关基础知识
- 计算机按键模块,计算器键盘-TM1650/AIP650
- 20230410----重返学习-网易云音乐首页案例-audio音频标签