pyTorch架构参考资料：主页 - PyTorch中文文档 (pytorch-cn.readthedocs.io) 文章目录pyTorch架构torch是什么pytorch中的torchtorch.Tensortorch.Storagetorch.nn包含多种子类：容器(Containers):网络层：函数包：torch.nn.functional搭建好的网络：torch.autograd:to
转载
2023-07-07 11:29:54
186阅读
PCA(Principal Components Analysis)即主成分分析，也称主分量分析或主成分回归分析法，是一种无监督的数据降维方法，在机器学习中常用于特征降维提取主要特征以减少计算量。PCA主要原理是将高维原数据通过一个转换矩阵，映射到另一组低维坐标系下，从而实现数据降维。举个简单的例子，设X1，X2为两组数据，将他们以坐标的形式画在坐标轴中，如下图所示， 图中点的横纵坐标分别为X1，
转载
2024-04-19 15:39:22
113阅读
这篇博客的目的主要是对最近所学知识的一个整理，加深一下印象。以下的理解均来自《遥感数字图像分析导论第五版》JohnA,Richards著 谷延锋 陈雨时译 在图像光谱域变换部分主要阅读了以下几部分内容： 植被指数 同一图像中不同光谱波段的比值，可用于减少地形的影响，增强岩石和土壤等光谱反射特征的微妙差异。植被指数就是用红外
主成分回归（PCR）是多元线性回归（MLR）的替代方法，相对于MLR具有许多优势。1. 什么是主成分回归，为什么要使用它？ 主成分回归最初是由肯德尔（Kendall，1957）提出的。前提是使用对回归变量执行的主成分分析结果，并将输出用作新的回归变量。这样，自变量是正交的，并确保计算更容易，更稳定（Jolliffe（1982））。线性回归中的PCA已用于实现两个基本目标。第一个是在预测变量数量过多
转载
2023-09-13 20:10:14
197阅读
综述： 主成分分析 因子分析 典型相关分析，三种方法的共同点主要是用来对数据降维处理。经过降维去除了噪声。#主成分分析 是将多指标化为少数几个综合指标的一种统计分析方法。是一种通过降维技术把多个变量化成少数几个主成分的方法，这些主成分能够反映原始变量的大部分信息，表示为原始变量的线性组合。作用：1,解决自变量之间的多重共线性； 2,减少变量个数， 3,确保这些变量是相互独立的应用场景：筛选回归变量
转载
2024-05-02 11:10:52
123阅读
# 主成分分析（Principal Component Analysis）
主成分分析（Principal Component Analysis，PCA）是一种常用的降维技术，它对高维数据进行线性变换，将其转化为低维空间的表示，以保留尽可能多的原始信息。PCA在机器学习、数据挖掘等领域广泛应用，是一种非常重要的数据分析工具。
本文将介绍如何使用Python中的scikit-learn库来进行主
原创
2023-11-25 07:11:44
141阅读
原理多元统计分析处理的是多变量（多指标）问题。由于变量较多，增加了分析的复杂性，但在实际问题中，变量之间可能存在一定的相关性。多变量中可能存在信息的重叠。人们希望用较少的变量来代替原来较多的变量，这种代替可以反映原来多个变量的大部分信息，这实际上是一种“降维”的思想。主成分研究如何通过少数几个主成分(principal component)来解释多个变量间的内部结构。即从原始变量中导出
转载
2024-06-26 09:11:30
69阅读
关于主成分分析在模型中的运用主要有以下几个方面：（1）降维；尤其是在面对大量数据时，可以借助PCA方法提取有效的数据成分；其原理，简单的理解就是将众多变量和指标通过一定方法提取出少数几个有代表性的且互相相关性系数较低的变量。（2）处理变量之间多重共线性的问题；（3）确定变量的权重，将多个变量组合成“一个”变量（这在计量经济学论文中常用到，在此不做介绍）。1.主成分在spss中的实现。步骤：分析—降
转载
2024-04-06 12:19:11
273阅读
R语言主成分分析（Principal Component Analysis, PCA）是一种常用的数据降维和特征提取方法。它可以将高维数据集转化为低维空间，同时保留数据的主要信息。在本文中，我们将介绍如何使用R语言进行主成分分析，并展示如何提取和解释主成分。
首先，我们需要安装并加载 `stats` 包，这是R语言中进行主成分分析的基本包。
```R
install.packages("sta
原创
2023-08-20 07:24:25
295阅读
作者:Orisun 主成分分析PCA 降维的必要性1.多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。2.高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间上只有0.02%。3.过多的变量会妨碍查找规律的建立。4.仅在变量层面上分析可能会忽略变量之间的潜在联系。例如几个预测变量可能落入仅反映数据某一方面特征的一个组内。
转载
2024-08-09 10:53:27
19阅读
前情提要：最近在做主成分分析筛选变量，目的是计算每个环境数据在不同主成分上的载荷大小，但是算出来感觉和别的论文结果不对，所以参考一些文献试图理解一下。 目录1 主成分载荷2 matlab主成分分析实验3 ENVI主成分分析实验4 总结 1 主成分载荷百度百科说：主成分载荷( oad of principal component)主成分分析中原始变量与主成分之间的相关系数。 再往深了理解：参考这个文
转载
2024-05-04 23:38:40
187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
8，主成分回归。主成分回归是一种合成的方法，相当于主成分分析与线性回归的合成。主要用于解决自变量之间存在高度相关的情况。这在现实中不算少见。比如你要分析的自变量中同时有血压值和血糖值，这两个指标可能有一定的相关性，如果同时放入模型，会影响模型的稳定，有时也会造成严重后果，比如结果跟实际严重不符。当然解决方法很多，最简单的就是剔除掉其中一个，但如果你实在舍不得，毕竟这是辛辛苦苦调查上来的，删了太
转载
2023-11-29 10:31:55
37阅读
一，主成分分析法(Principal Component Analysis)1，主成分分析法(PCA)是比较常用的数据压缩算法，把高维度数据投影到低维度平面（超平面）上，使投影误差平方最小 2，PCA与线性回归区别在代价函数里线性回归计算的是预测值与实际值的误差(y的差值)，PCA里计算的是投影与原特征的差值(x的差值), PCA不需要y值 二，PCA计算方法1，PCA算法的预
转载
2023-12-18 21:17:34
118阅读
主成分分析定义： 主成分分析实际上是一种降维方法。主成分分析的主要目的是希望用较少的变量去解释原来资料中的大部分变异，将我们手中许多相关性很高的变量转化成彼此相互独立或不相关的变量。通常是选出比原始变量个数少，能解释大部分资料中的变异的几个新变量，即所谓主成分，并用以解释资料的综合性指标。注意： 1）主成分分析的结果受量纲的影响 (回归分析结果不受量纲的影响),所以实际中先把各变量的数据标准化，然
转载
2024-07-27 15:34:24
77阅读
(小小：机器学习的经典算法与应用)(小小：机器学习理论（一）KNN-k近邻算法)(小小：机器学习理论（二）简单线性回归)(小小：机器学习理论（三）多元线性回归)(小小：机器学习理论（四）线性回归中的梯度下降法)(小小：机器学习理论（五）主成分分析法)(小小：机器学习理论（六）多项式回归)(小小：机器学习理论（七）模型泛化)(小小：机器学习理论（八）逻辑回归)(小小：机器学习理论（九）
转载
2024-01-08 18:26:06
8阅读
PCA主成分回归数据降维二维数据->一维数据、三维数据->二维数据 主成分分析的原理—— PCA投影PCA与线性回归的区别matlab自带PCA函数代码主成分回归判定自变量相关程度大小，即变量间是否存在严重的多重共线性。若存在就用主成分分析，将存在多重共线性的变量合并为一个新的变量，然后再和其它自变量纳入回归。这整个过程叫主成分回归。数据降维二维数据->一维数据、降维到一维之后
转载
2024-01-05 21:57:39
259阅读
六、PCA主成分分析(降维)github地址：https://github.com/lawlite19/MachineLearning_Python全部代码1、用处数据压缩(Data Compression),使程序运行更快可视化数据，例如3D-->2D等……2、2D–>1D，nD–>kD如下图所示，所有数据点可以投影到一条直线，是投影距离的平方和(投影误差)最小 注
转载
2024-05-22 12:31:11
45阅读
文章目录引入总体主成分分析基本想法直观解释如何理解方差最大？定义和导出主要性质定理部分性质部分主成分的个数规范化变量的总体主成分样本主成分分析样本主成分的定义和性质相关矩阵的特征值分解算法 引入主成分分析是一种常用的无监督学习方法，这一方法利用正交变换把线性相关变量表示的观测数据转换为少数几个由线性无关变量表示的数据，线性无关的变量被称为主成分。主成分的个数通常小于原始变量的个数，所以主成分分析
转载
2024-07-10 06:13:11
81阅读
主成份分析是对数据降维的方法，通过从数据中抽提少数的主成份来近似代表数据。选择主成份是根据数据的方差来进行的，每次选择的主成份都是数据中方差最大的方向，并且主成份之间不相关。
求主成份的两种方法：
1 从变量构成的矩阵X出发，先求出t(X)X的特征值和特征向量，然后用X乘以特征向量就得到了主成份
2 从矩阵X的相关矩阵出发，求相关矩阵的特征值和特征向量，然后用归一化的X乘以特征
转载
2023-06-12 21:07:37
294阅读
