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：2024-05-14 09:32:45
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）