手动实现PCA会产生错误的图，其中特征向量不是正交的
。PCA（Principal Component Analysis，主成分分析）是一种常用的降维方法，用于将高维数据映射到低维空间，同时保留最重要的信息。
在手动实现PCA时，通常需要进行以下步骤：
- 数据预处理：将原始数据进行中心化，即减去均值，使数据的均值为0。
- 计算协方差矩阵：将预处理后的数据计算协方差矩阵，其中协方差矩阵的元素表示不同特征之间的相关性。
- 特征值分解：对协方差矩阵进行特征值分解，得到特征值和特征向量。
- 选择主成分：根据特征值的大小选择前k个特征值对应的特征向量作为主成分。
- 映射到低维空间：将原始数据通过主成分的线性组合映射到低维空间。
然而，手动实现PCA可能会产生特征向量不正交的问题。正交特征向量是指特征向量之间的内积为0，表示彼此正交或垂直。在PCA中，特征向量对应于协方差矩阵的特征值，特征向量之间应该是正交的。
出现特征向量不正交的问题可能有以下几个原因：
- 数据预处理错误：在数据预处理过程中，未正确进行中心化操作，导致特征向量不正交。
- 数值计算误差：在计算协方差矩阵或进行特征值分解时，由于数值计算的精度限制，可能导致特征向量不精确地计算出来。
- 数据特性：某些特殊数据集可能具有特殊的特性，使得特征向量不正交。
解决特征向量不正交的问题可以采取以下措施：
- 确保数据预处理正确：在进行PCA前，确保对数据进行正确的中心化处理，即减去均值。
- 使用数值稳定的算法：选择数值计算稳定的算法来计算协方差矩阵和特征值分解，以减少计算误差的影响。
- 检查数据特性：对于特殊数据集，需要对其进行分析，了解数据的特殊性，并相应地调整PCA的参数或方法。
腾讯云相关产品推荐： 腾讯云提供了多种与PCA相关的产品和服务，如云机器学习平台（https://cloud.tencent.com/product/ccm）、人工智能引擎（https://cloud.tencent.com/product/aie）、数据处理平台（https://cloud.tencent.com/product/dp）、云计算网络（https://cloud.tencent.com/product/cfn）等。这些产品和服务可以帮助用户进行数据处理、人工智能应用开发等任务，提供高效、稳定和安全的云计算解决方案。
相关·内容
1回答
我需要绘制我计算的特征向量，如下所示： def fit(self, X): ''' self.projected_ = X @ self.components_.T
return self.projected_ 进入我的数据集的前两个特征的曲线图我的sel
浏览 20提问于2021-05-03得票数 0
回答已采纳
首先，很抱歉问了一个可能是初学者的问题，但我不明白pca似乎和特征选择是一样的，但是当我在网上搜索时，它们似乎是不同的。人们通常说的是用于降维的PCA和用于特征选择的特征选择。那两个人不是也这么做的吗？减少属性/特征/维度的数量？请帮我理解一下。谢谢
浏览 0提问于2021-02-18得票数 0
回答已采纳
1回答
我正在做一项任务，任务是在一个在线课程中用Python实现PCA。不幸的是，当我试图在我的实现和SKLearn之间进行比较(由课程提供)时，我的结果似乎相差太大。经过几个小时的审查，我仍然不确定哪里出了问题。如果有人能看一看，并确定我编码或解释错误的步骤，我将不胜感激。X_reconst = (P @ X.T).T
return X_reconst, mean_vec, principal_vals, principal_
浏览 24提问于2020-12-28得票数 1
谁能解释一下这两个部分的不同之处？磁带基： .withParameters((method=tapkee::PCA,target_dimension=3))OpenCV：
cv::PCA pca(image.reshape(1,image.rows*image.cols), Mat(), CV_PCA_DATA_AS_COL, 3);
浏览 0提问于2014-07-18得票数 0
1回答
我不确定我是否正确地应用了PCA！我有p个特征和n个观察值(实例)。我把它们放在恩智浦矩阵X中。我执行均值归一化并得到归一化矩阵B。我计算pxp协方差矩阵C=(1/(n-1))B*.B的特征值和特征向量，其中*表示共轭转置。
与降序特征值对应的特征向量在pxp矩阵E中。假设我想将属性的数量从p减少到k。我使用等式X_new=B.E_reduced，其中E_reduced是通过选择E的前k列产生的</
浏览 3提问于2016-10-28得票数 0
我希望我的mathplotlib图形有另一组轴/线。,color='k',marker='o')其中eigenVector是一个二维矩阵，我只是试图画出通过特征向量和原点的直线。但是，很明显，我绘制的是两条线段，而不是线。我希望画两条通过原点和<
浏览 1提问于2015-06-24得票数 1
1回答
我试着理解PCA，我读了几本教程。到目前为止，我了解到，矩阵的特征向量意味着向量按特征值的比例乘以该矩阵时旋转和缩放的方向。因此，与最大特征值相关联的特征向量定义了最大旋转的方向。我不明白的是：除了教程之外，我还复习了这里的其他答案，包括和。但我还是不明白。
浏览 2提问于2017-11-30得票数 2
回答已采纳
2回答
我有一个m*n维数的矩阵M。M包含n个数据，每个数据都有m维，且m比n大。现在我的问题是，如何计算PCA of M，使用OpenCV中的SVD来保持总负载或能量的99%<code>E 213</code>的特征向量，步骤或步骤是什么？
浏览 2提问于2013-04-18得票数 2
回答已采纳
1回答
主成分分析与异常数据
、、、、
我知道PCA能很好地区分异常和正常数据，当它试图将数据转移到另一个维度时，它有助于区分异常和正常数据。我的意思是，它可以在某种程度上最大限度地分离规则和不规则的数据点。我也在我的密码里看到过这个。通过一个简单的详细例子(例如，一个简单的2*2矩阵)？有人能帮忙吗？
提前谢谢。
浏览 0提问于2018-04-25得票数 1
1回答
然而，当我这样做时，这两幅图在如何绘制负载方面似乎有所不同。请注意，这里没有缩放数据集。我实际上正在做这个练习的数据集对所有列都有相同的单位，我认为不缩放可能是结果。) cex = 1,我读过R交替使用加载和<e
浏览 1提问于2020-09-08得票数 0
回答已采纳
2回答
我在Python中对音频谱图进行了PCA处理，并面临以下问题:我有一个矩阵，其中每一行都包含扁平的歌曲特性。在应用PCA之后，我很清楚，尺寸已经减少了。但我在常规数据集中找不到这些维度数据。import matplotlibfrom sklearn import decomposition
pca
浏览 6提问于2015-10-19得票数 0
1回答
我正试图从零开始实施PCA。0.37231836][ 0.58125401 -0.02109478]当我使用sklearn的PCA0.26335492, 0.58125401, 0.56561105],在新的特征空间上的投影给出了以下不同的数字
浏览 3提问于2021-02-04得票数 0
回答已采纳
但我有一个关于PCA的概念性问题。我不理解阅读关于这个主题的文献。给定一个M×N矩阵，结果是一个矩阵M‘x N’，其中M'< M，N‘<N，M’x N‘与M×N成正比？
浏览 0提问于2015-01-05得票数 1
2回答
scikit不稳定结果
、、、
我试图使用KernelPCA将数据集的维度降为2D (用于可视化目的和进一步的数据分析)。我实验了在Gamma的不同值下使用径向基函数内核计算KernelPCA，但是结果是不稳定的：(每一帧的Gamma值略有不同，其中Gamma是从0到1的连续变化)def pca(X, gamma1):
kpca = KernelPCA(kerne
浏览 12提问于2015-07-01得票数 7
回答已采纳
我正在使用(pyspark) mllib (Spark 2.2.0)中的奇异值分解和主成分分析函数，如以下链接所述：[(2, 2), (3, 1), (2, 2), (1, 3), (1.0, 1.0), (3.0, 3.0)]对于U：[DenseVector([-0.3922, -0.0]), DenseVectorDenseVector([-0.5883, -0.0])][[-0.70710678 -0.70710678]
[-0
浏览 1提问于2019-05-07得票数 2
在对三维图像进行语义分割后，对其进行主成分分析( PCA )，确定物体的方向并对其对齐。它工作得很好，产生的特征向量形成了一个有效的旋转矩阵，正确地对齐了物体，但是我想要从矩阵中得到旋转的角度。简而言之，r = R.from_matrix(rotation_matrix) r.as_matrix()给出了一个不等于初始矩阵的矩阵，它不是正确旋转的某种变体。这是错误的旋转。例如，
浏览 5提问于2022-10-31得票数 0
回答已采纳
我正在尝试用Python实现PCA，但是当我用主轴注释我的图形时，我的向量似乎不是正交的。e_vals[i])*e_vecs[:,i], avg, arrowprops = arrowprops)
显然，向量在图像中不是</
浏览 19提问于2020-02-04得票数 1
回答已采纳
2回答
为什么这是有用的？维度(特征)的数量已经可以使用"max_features“参数在TF-IDF向量化器中进行控制。
我知道LSA (和LDA)也是主题建模技术。聚类的不同之处在于，文档属于多个主题，但只属于一个聚类。我不明白为什么要在K-Means聚类的上下文中使用LSA。
浏览 16提问于2017-02-22得票数 5
回答已采纳
1回答
我已经应用了PCA，我的最佳结果显示是两个组件。我确实理解，我的每一个输入现在在每个组件中都起到了部分作用。我不明白的是如何将PCA的结果(在我的例子中是2个组件)提供给机器学习模型？例如，当我想对我的特征运行NN时，我只能导航到它们的存储位置并导入它们，但我的PCA分析已经在SPSS中运行，它显示的是我的特征对每个组件的贡献。
我应该导入什么到
浏览 2提问于2018-05-12得票数 1
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM活动推荐
腾讯云开发者
