机器学习(六)PCA---K-L变换
K-L变换 是最优正交线性变换，其对应的特征提取方法被称为 PCA方法，PCA是一种无监督的特征变换，进行特征降维变换，不能完全地表示原有的对象，而K-L变换能够考虑到不同的分类信息，实现有监督的特征提取。 特征提取 即用映射（或变换）方法把原始特征变换为较少的新特征。 Eg. 对于一个映射或变换有 y = w T x y=w^{T}x y=wTx，若 x ∈ R d × 1
相关文章
- 1. 机器学习(六)PCA---K-L变换
- 2. K-L变换-机器学习
- 3. C++学习（六）霍夫变换
- 4. 机器学习笔记六
- 5. 机器学习 学习记录六
- 6. 机器学习实战 | 数据探索(变量变换、生成)
- 7. 机器学习-变分
- 8. 【机器学习】（六）支持向量机
- 9. 机器学习（六）~支持向量机
- 10. 机器学习数学心法之线性变换
- 更多相关文章...
- • 您已经学习了 XML Schema，下一步学习什么呢？ - XML Schema 教程
- • 我们已经学习了 SQL，下一步学习什么呢？ - SQL 教程
- • Tomcat学习笔记（史上最全tomcat学习笔记）
- • Docker容器实战(六) - 容器的隔离与限制
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 机器学习(六)PCA---K-L变换
- 2. K-L变换-机器学习
- 3. C++学习（六）霍夫变换
- 4. 机器学习笔记六
- 5. 机器学习 学习记录六
- 6. 机器学习实战 | 数据探索(变量变换、生成)
- 7. 机器学习-变分
- 8. 【机器学习】（六）支持向量机
- 9. 机器学习（六）~支持向量机
- 10. 机器学习数学心法之线性变换