个人笔记，仅用于个人学习与总结 本文目录1. Pytorch的主要组成模块1.1 完成深度学习的必要部分1.2 基本配置1.3 数据读入1.4 模型构建1.4.1 神经网络的构造1.4.2 神经网络中常见的层1.4.3 模型示例1.5 模型初始化1.5.1 torch.nn.init常用方法1.5.2 torch.nn.init使用1.5.3 初始化函数的封装1.6 损失函数1.6.0 基本用法
转载
2023-07-05 12:41:09
406阅读
大家好，今天我们来讲讲主成分分析。主成分分析就是一种通过降维技术把多个原始变量重新组合成少数几个互不相关的主成分（综合变量）的统计方法。这些主成分能够反映原始变量的绝大部分信息，通常表示为原始变量的某种线性组合。一、总体主成分1.1 从协方差矩阵出发进行主成分分析实例：设x=（x1，x2，x3）T为40个随机生成的三维数据，其中x1～N（0，4），x2～N（2，1），x3～N（1，10）。试对该数
转载
2023-06-28 20:31:09
268阅读
主成分分析： 用途：降维中最常用的一种方法 目标：提取有用的信息(基于方差的大小) &
转载
2024-07-26 13:45:02
56阅读
数据挖掘课程的期中实验，仅供参考。完成时间：2022.10.29 基本要求：利用python对数据集中的数据进行主成分分析、类概念描述及特征化分析。要有相关结果的可视化结果。比如数据的分布情况。 数据源是TCGA。 数据源及代码： 链接：https://pan.baidu.com/s/11CpKznSP66EAbPzMspRShA 提取码：sovc相关文章：0.实验环境操作系统：windows10
转载
2024-05-29 23:37:31
57阅读
六月份似乎太忙，将近一个月没有写博客，于是挑一个多元统计分析中的方法写一篇 python 操作实现的。主成分分析（Principle Component Analysis, PCA）是数据降维的一个方法：原始数据中有很多特征变量，可以采用主成分分析方法将原始数据降维为少数几个变量，主成分就是降维后各原始变量的线性组合系数。主成分分析的求解一般采用特征根分解，即求解原始数据协方差矩阵或相关系数矩阵最
转载
2023-07-03 19:33:25
48阅读
使用sklearn库中的PCA类进行主成分分析。导入要用到的库，还没有的直接pip安装就好了。from sklearn.decomposition import PCA
import numpy as np # 如果使用numpy的array作为参数的数据结构就需要，其他type没试过是否可以
import pandas as pd # 非必要
from sklearn.decomposition
转载
2023-08-15 08:37:54
88阅读
主成分分析（principal component analysis）是一种常见的数据降维方法，其目的是在“信息”损失较小的前提下，将高维的数据转换到低维，从而减小计算量。PCA的本质就是找一些投影方向，使得数据在这些投影方向上的方差最大，而且这些投影方向是相互正交的。这其实就是找新的正交基的过程，计算原始数据在这些正交基上投影的方差，方差越大，就说明在对应正交基上包含了更多的信息量。后面会证明
用python实现主成分分析（PCA）python应用实例：如何用python实现主成分分析背景iris数据集简介算法的主要步骤代码实现查看各特征值的贡献率 python应用实例：如何用python实现主成分分析主成分分析（Principal Component Analysis，PCA）是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。
转载
2023-09-05 09:41:47
159阅读
主成分分析（PCA）是一种基于变量协方差矩阵对数据进行压缩降维、去噪的有效方法，PCA的思想是将n维特征映射到k维上（k<n），这k维特征称为主成分，是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的k个特征互不相关。 主成分分析再说白点就是将多项指标转化为少数几项综合指标,用综
转载
2023-08-13 16:35:04
193阅读
参考url:https://jakevdp.github.io/PythonDataScienceHandbook/05.09-principal-component-analysis.html主成分分析（principal component analysis,PCA）,无监督算法之一，PCA是一种非常基础的降维算法，适用于数据可视化、噪音过滤、特征抽取和特征工程等领域。1、主成分分析简介 主
转载
2023-10-31 15:37:25
158阅读
主成分分析1简介在用统计分析方法研究这个多变量的课题时，变量个数太多就会增加课题的复杂性。人们自然希望变量个数较少而得到的信息较多。在很多情形，变量之间是有一定的相关关系的，当两个变量之间有一定相关关系时，可以解释为这两个变量反映此课题的信息有一定的重叠。主成分分析是对于原先提出的所有变量，建立尽可能少的新变量，使得这些新变量是两两不相关的，而且这些新变量在反映课题的信息方面尽可能保持原有的信息。
转载
2023-06-30 17:43:52
225阅读
本文的参考资料：《Python数据科学手册》； 本文的源代上传到了Gitee上；本文用到的包：%matplotlib inline
import numpy as np
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt
from sklearn.datasets import load_digits
转载
2023-05-30 15:26:55
246阅读
主成分分析：步骤、应用及代码实现。主成分分析(Principal Component Analysis)算法步骤：设有 m 条 n 维数据：将原始数据按列组成 n 行 m 列矩阵 X将 X 的每一行（代表一个属性字段）进行零均值化，即减去这一行的均值求出协方差矩阵 求出协方差矩阵的特征值及对应的特征向量将特征向量按对应特征值大小从上到下按行排列成矩阵，取前 k 行组成矩阵 PY=PX 即为降维到
转载
2023-08-06 09:49:31
264阅读
主成分分析（Principal Component Analysis，PCA）是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。# 用python实现主成分分析（PCA）
import numpy as np
from numpy.linalg import eig
from sklearn.datasets impor
转载
2023-05-26 16:43:27
187阅读
多元统计分析的过程包括:第一类：多变量分析过程，包括princomp(主成分分析)、factor（因子分析）、cancorr(典型相关分析、multtest（多重检验）、prinqual（定性数据的主分量分析）及corresp（对应分析）;
第二类：判别分析过程，包括discrim（判别分析）、candisc（典型判别）、stepdisc（逐步判别）
第三类：聚类分析过程，包括cluster（谱系
转载
2023-10-13 12:40:44
190阅读
PCA背景简介在许多领域的数据的分析和处理中，往往会有许多复杂的变量，变量与变量之间通常还存在着相关性，要从大量的变量中提取出能反映事物特征的信息是极其困难的，对单个的变量分析不全面，并且会损失信息，造成错误的结论。主成分分析（PCA）便是通过数学降维，找出最能决定数据特性的主元成分的数据分析方法，用较少的综合指标，揭示隐藏在多维复杂数据变量背后的简单结构，得到更为科学有效的数据信息。PCA降维P
转载
2024-01-12 22:16:37
63阅读
主成分分析：(Principal Component Analysis)基本思想主成分分析，顾名思义，就是通过一定的变换将原始数据变换为一组在新维度下的数据表示，并且用数据的主要特征分量代替原数据，来达到降维的目的，并且经过降维去除噪声，发现数据中的模式。 PCA的思想是将n维特征映射到k维上(k < n)，把原先的n维特征用数目更少的k维特征取代，这k维是全新的正交特征，是旧特征的线
转载
2023-12-04 18:50:57
84阅读
实验目的 学会使用SPSS的简单操作，掌握主成分与因子分析。实验要求 使用SPSS。实验内容 实验步骤 （1）主成分分析，分析示例——对30个省市自治区经济基本情况的八项指标进行分析，详情见factorl.sav文件。SPSS操作，点击【分析】→【降维】→【因子】，在打开的【因子分析】对话框中，把x1~x8都选入【变量】中，点击【描述】，勾选【系数】，点击【继续】，单击
转载
2023-09-15 15:40:08
207阅读
前面写的一些统计学习方法都是属于监督学习（supervised learning），这篇主成分分析（principal components analysis，简称 PCA ）和下一篇聚类分析（clustering）都是属于非监督学习（unsupervised learning）。之前 ISLR读书笔记十二 中已经提到过主成分这一概念。其主要目的是利用一小部分数据组合，尽可能多地体现这里的
转载
2024-01-24 23:08:38
44阅读
参考url:主成分分析(principal component analysis,PCA),无监督算法之一，PCA是一种非常基础的降维算法，适用于数据可视化、噪音过滤、特征抽取和特征工程等领域。1、主成分分析简介主成分分析是一个快速灵活的数据降维无监督方法。这些向量表示数据主轴，箭头长度表示输入数据中各个轴的‘重要程度’ ，即它衡量了数据投影到主轴上的方差的大小。每个数据点在主轴上的投影
转载
2023-09-26 16:38:16
76阅读
