【文件属性】:
文件名称:PCA的意义-LDA与PCA的讲解与matlab演示
文件大小:1.45MB
文件格式:PPT
更新时间:2021-04-24 15:46:05
LDA PCA 线性判别 主成分分析 分类
PCA的意义
模式识别和图像处理中,我们选择的特征经常彼此相关,在识别这些特征时,数量太多,大部分都是冗余的。
原始样本点(10-30)前5个特征的相关性: full(corrcoef(sampledata(:,1:7)) )
f1 f2 f3 f4 f5 f6 f7
f1 1.0000 -0.0553 0.2469 0.2050 0.2310 0.2045 0.2360
f2 -0.0553 1.0000 -0.1961 0.0838 -0.1961 -0.1961 -0.1919
f3 0.2469 -0.1961 1.0000 0.4089 0.8658 0.8658 0.9492
f4 0.2050 0.0838 0.4089 1.0000 0.3475 0.3373 0.3822
f5 0.2310 -0.1961 0.8658 0.3475 1.0000 0.8322 0.9129
f6 0.2045 -0.1961 0.8658 0.3373 0.8322 1.0000 0.9129
f7 0.2360 -0.1919 0.9492 0.3822 0.9129 0.9129 1.0000
目的:
1. 减少特征量的个数。
2.尽量不损失或者稍损失原特征中所包含的信息。
3.使得原本相关的特征相关性降为0(用相关系数阵衡量)