谱定理、瑞利熵、PCA(主成分分析)、clustering algorihtm
目录
一、谱定理(Spectral theorem)
二、瑞利熵(Rayleigh Quotients)
三、什么是PCA?
一、谱定理(Spectral theorem)
参考资料:
知乎文章:https://zhuanlan.zhihu.com/p/65314970
哔哩哔哩视频:https://www.bilibili.com/video/BV1R7411d7TF?from=search&seid=9663564132075351353
二、瑞利熵(Rayleigh Quotients)
参考资料:
瑞利熵的介绍:https://blog.csdn.net/klcola/article/details/104800804
证明过程:https://www.planetmath.org/RayleighRitzTheorem
三、什么是PCA?
网上已经有很多作者进行介绍了,这里我就不再献丑了,这里列出我参考和学习的一些博客,感谢这些作者的分享!!!
详解主成分分析PCA https://blog.csdn.net/ybdesire/article/details/60885562?utm_source=blogxgwz6&utm_medium=distribute.pc_relevant.none-task-blog-title-9&spm=1001.2101.3001.4242
PCA (主成分分析)详解 (写给初学者) https://blog.csdn.net/a8039974/article/details/81285238
主成分分析(PCA)中的特征值与特征向量,特征值是不是数据在特征向量方向上的方差 https://blog.csdn.net/qq_24815615/article/details/105680291
【点云学习】PCA算法实现与法向量估计 https://www.freesion.com/article/3407882207/
PCA(主成分分析)python实现 https://www.jianshu.com/p/4528aaa6dc48
PCA主成分分析方法 https://www.cnblogs.com/liuwu265/p/4719205.html
Open3D 点云法向量3种估计方法及法向量可视化 https://blog.csdn.net/qq_40985985/article/details/108756231
使用Open3D绘制三角形 https://blog.csdn.net/guyuealian/article/details/102498459
下边不用看
本篇博客主要有两个目的,
一、分享我所搜到的关于PCA比较有用的博客,读者若搜到我这篇博客可以轻松许多,不用再费心搜索。
二、自己写给自己,通过自己再复述一遍,强化自己对PCA的理解。
下边仅仅是我对PCA的理解,本人能力有限,也有可能不准确,仅仅为了记录我目前对PCA的理解,以后若忘了,我会再来复习的。
PCA的意义和作用
PCA可以干什么:降维(用的最多)、分类
PCA怎么理解:可以简单的理解为基底置换,或者从名字上来看就是分析分析主要的成分。比如说,三个维度描述一个物体,现在将其变成两维就能说明问题了。
学习PCA前需要知道什么
如果数学学得好的话,那就很简单了呀。说个题外话,唉,我的数学学得像shi,为了学这个PCA还恶补了一些线性代数;现在的我对数学有了新的认识了,工科研究做到最后,数学很重要!!!
需要了解:
- 什么是矩阵
- 矩阵的特征值和特征向量
- 协方差矩阵
- SVD(可选)
后边先不写了,等我有时间再总结
四、Clustering Alogrithm(聚类算法)
1、K-Means算法
K-Means是很好入门的一个对样本进行分类的算法:
参考文章链接:
深度学习花书 笔记 4 - K-means 算法流程与实现
https://blog.csdn.net/ruotianxia/article/details/105565488?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242
kmeans算法理解及代码实现
https://www.cnblogs.com/lliuye/p/9144312.html
K-Means Clustering in Python
https://mubaris.com/posts/kmeans-clustering/
K-means聚类(Python)
https://blog.csdn.net/qinlele1994/article/details/106180756
k-means聚类算法原理及python3实现
https://blog.csdn.net/hanxia159357/article/details/81530361
K-Means算法的Python实现
https://www.cnblogs.com/shenfeng/p/kmeans_demo.html
2、GMM(高斯混合模型)
三维点云学习(3)7- 实现GMM
https://blog.csdn.net/weixin_41281151/article/details/107440893?utm_medium=distribute.pc_relevant.none-task-blog-title-2&spm=1001.2101.3001.4242
GMM混合高斯模型(Gaussian mixture model)算法及Python实例
https://blog.csdn.net/weixin_42555080/article/details/92222665?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~all~sobaiduend~default-3-92222665.nonecase&utm_term=gmm%E7%AE%97%E6%B3%95python%E5%AE%9E%E7%8E%B0&spm=1000.2123.3001.4430
EM算法
https://blog.csdn.net/u010834867/article/details/90762296
EM算法通俗理解(以GMM为例)
https://zhuanlan.zhihu.com/p/97221016
谱定理、瑞利熵、PCA(主成分分析)、clustering algorihtm相关推荐
- 拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient)
作者:桂. 时间:2017-04-13 07:43:03 链接:http://www.cnblogs.com/xingshansi/p/6702188.html 声明:欢迎被转载,不过记得注明出处哦 ...
- 拉普拉斯矩阵(Laplace Matrix)与瑞利熵(Rayleigh quotient
前言 前面分析了非负矩阵分解(NMF)的应用,总觉得NMF与谱聚类(Spectral clustering)的思想很相似,打算分析对比一下.谱聚类更像是基于图(Graph)的思想,其中涉及到一个重要概 ...
- PCA主成分分析(PCA降维)
PCA主成分分析 PCA任务介绍 公式推导 算法实现 降维是对数据高维度特征的一种预处理方法. 降维是将高维度的数据保留下最重要的一些特征,去除噪声和不重要的特征,从而实现提升数据处理速度的目的.在实 ...
- 机器学习练习7-K-means聚类和PCA主成分分析
本文基于Andrew_Ng的ML课程作业 1-K-means clustering used for simple two-dimensional datasets: K-means聚类用于简单二维数 ...
- 吴恩达机器学习作业7 - K-means和PCA主成分分析(Python实现)
吴恩达机器学习作业7 - K-means和PCA主成分分析(Python实现) Introduction 在本实验中,将实现K-means聚类算法,并将其应用于图像压缩.在第二部分实验中,将使用主成分 ...
- R语言PCA主成分分析(Principle Component Analysis)实战2
R语言PCA主成分分析(Principle Component Analysis)实战2 目录 R语言PCA主成分分析(Principle Component Analysis)实战2 #案例分析
- R语言PCA主成分分析(Principle Component Analysis)与线性回归结合实战
R语言PCA主成分分析(Principle Component Analysis)与线性回归结合实战 目录 R语言PCA主成分分析(Principle Component Analysis)与线性回归 ...
- R语言PCA主成分分析(Principle Component Analysis)实战1
R语言PCA主成分分析(Principle Component Analysis)实战1 目录 R语言PCA主成分分析(Principle Component Analysis)实战1 #案例分析
- 【数学与算法】PCA主成分分析(降维)的通俗理解
1.PCA降维 PCA主成分分析简单的理解,就是把某物的很多个能直接获取到的特征,经过变换得到很多个新特征,这些新特征对该物体来说,有的影响很大,有的影响很小,只需要使用这些影响大的新特征,舍弃很多影 ...
最新文章
- Android Opengl
- 小型直流电机内部结构
- HTML基础重要知识点图文,HTML5基础知识点总结
- 计算机网络 公有IP和私有IP介绍
- 《selenium2 python 自动化测试实战》(15)——调用js控制滚动条等操作
- python多进程打印字符,加锁(Lock加锁)
- java B2B2C Springboot电子商城系统
- myeclipse下hibernate入门实例介绍
- android网络切换socket,Android版的websocket切换网络无法重连
- Oracle技术之索引与Null值对于Hints及执行计划的影响
- 礼橙专车、青菜拼车今日起改名啦!
- 从LR到DNN点击率预估
- ASP.NET 首页性能的4大做法
- 微信,支付宝,银行卡提现功能简述
- STM32F4驱动OV2640摄像头
- 直流无刷电机的一些介绍
- HTML设置文字的格式
- 福尔曼大学计算机排名,留学选校指南|纽约时报2019美国精英群体认可的大学榜单Top50...
- 微型计算机硬件系统包括什么,微型计算机硬件系统由什么组成(6个基本组成部件)...
- 计算机显示屏对比度怎么调整,如何调节电脑屏幕亮度(电脑如何调节显示器亮度和对比度?)...
热门文章
- QQ能上但网页打不开的解决方法
- 在word中输入带方块的对号
- 大学的python选修课好学吗_中国大学MOOC(慕课)_用Python玩转数据_章节考试选修课答案...
- 清华大学计算机系毕业礼物,送给母校的毕业礼物
- 笔记-uni-app入门到实战 以项目为导向 掌握完整开发流程
- 康托展开(基于全排列的某一种hash)
- 正视美国的科技竞争焦虑感
- python报错No module named XXX解决方法
- 2018年中小型B2B或B2C网站如何突破?
- 《大话设计模式》读书总结