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
330阅读
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
127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
207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
165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
221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
141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
146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
134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
205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
KPCA用非线性变换将输入数据空间映射到高维空间，使非线性问题转为线性问题，然后在高维空间中使用PCA方法提取主成分，在保持原数据信息量的基础上达到降维的目的。常用的核函数有以下几种：核函数化后的得到m*m的样本矩阵（m为样本个数）。用核函数将原始样本投射到高维空间，再用PCA进行降维。实现步骤：1. 将数据进行核函数化；2. 对核矩阵样本进行归一化；归一化方法如下：2. 之后用PCA进行降维实现
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
175阅读
文章目录PCA原理利用梯度上升法求解主成分公式推导python实现计算前k个主成分公式推导python实现小结 PCA原理主成分分析（principal component analysis,PCA）是一种数据分析方法，出发点是从一组特征中计算出一组按重要性从大到小排列的新特征，它们是原有特征的线性组合，并且相互之间是不相关的。主要用来数据降维、可视化、去噪等。 以样本数据有两个特征为例，如图：
转载
2023-09-17 00:02:40
109阅读
目录[ 0 ] 一句话定义[ 1 ] 使用目的和使用条件[ 2 ] 基本思想和直观理解[ 3 ] 具体计算步骤[ 4 ] 求各个成分的累计贡献率[ 5 ] 主成分分析的SPSS和Python实现SPSS实现相关设置结果分析Python实现[ 6 ] 总结 [ 0 ] 一句话定义主成分分析(principal component analysis,PCA) 是一种常用的无监督学习方法，它利用正交变
转载
2023-09-29 22:27:59
118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) &
有没有被上面这长的代码吓到？不用紧张，这只是一段看似复杂的简单逻辑，我们来逐一分解一下：逻辑分解 第一部分SparkSession和sparkContext我们就不做描述了，每一pyspark代码总以这两个结构开始，主要是为pyspark定义运行环境。1) 数据收集提取部分：数据收集提取是我们将数据从数据库中提取到spark环境中进行运算。我们假定表中的数据结构为：需要做PCA的列为C列，因此将
文章目录写在前面一、PCA主成分分析1、主成分分析步骤2、主成分分析的主要作二、Python使用PCA主成分分析 写在前面作为大数据开发人员，我们经常会收到一些数据分析工程师给我们的指标，我们基于这些指标进行数据提取。其中数据分析工程师最主要的一个特征提取方式就是PCA主成分分析，下面我将介绍Python的sklearn库中是如何实现PCA算法及其使用。一、PCA主成分分析什么是PCA主成分分析
转载
2023-10-17 11:58:37
300阅读
一、简介主成分分析是一种用于连续属性的数据降维方法，它构造了原始数据的一个正交变换，新空间的基底去除了原始空间基底下数据的相关性，只需使用少数新变量就能够解释原始数据中的大部分变异。在应用中，通常是选出比原始变量个数少，能解释大部分数据中的变量的几个新变量，即所谓主成分，来代替原始变量进行建模。 二、Python程序实现在Python中，主成分分析的函数位于Scikit-Learn下：s
转载
2023-06-07 11:55:02
162阅读
【python】PCA计算权重将分步骤基于python实现PCA计算权重，代码在pycharm中执行。 文章目录【python】PCA计算权重1.引入库2.读取数据3.数据标准化4.PCA（主成分分析）4.确定权重5.对权重结果进行归一化总结 1.引入库将需要的库导入pycharmimport numpy as np
import pandas as pd
from sklearn.decompo
转载
2023-06-28 14:29:04
543阅读
主成分分析PCA实现一、数据降维二、应用“手写体数字图像”数据进行PCA操作参考文献： 一、数据降维降维/压缩问题是选取具有代表性的特征，在保持数据多样性（ Variance ）的基础上，规避掉大量的特征冗余和噪声，不过这个过程也很有可能会损失一些有用的模式信息。经过大量的实践证明，相较于损失的少部分模型性能，维度压缩能够节省大量用于模型训练的时间，使得 PAC 所带来的模型综合效率变得更为划算
