降维时为什么找最大的特征值对应的特征向量

最新推荐文章于 2021-08-20 13:01:58 发布
原创 最新推荐文章于 2021-08-20 13:01:58 发布 · 3.2k 阅读 · 3 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文探讨了矩阵的特征向量和特征值的概念及其在降维技术中的应用。特征向量指示了投影变换的方向，而特征值则表示了该方向上的强度。通过选择最大的特征值进行投影，可以在降维过程中最大化保留数据的内在信息。
特征向量表示  投影变换的方向
特征值表示    投影变换的强度

矩阵的EigenVector 和EigenValue具体代表什么，完全要看所研究的模型了。
一些情景下，EigenValue和Vector或许代表系统的某种动力学特性，那么Vector或许可以理解为某种特定的动力学模式，而Value则是相应的动力学“强度”

通过降维,我们希望减少冗余信息,提高识别的精度,或者希望通过降维算法来寻找数据内部的本质结构特征

找最大的特征值是因为 ，在降维之后要最大化保留数据的内在信息，并期望在所投影的维度上的离散最大
求任意方阵最大特征值及对应的特征向量
01-27
幂法求任意阶数方阵最大特征值及对应的特征向量，可自己规定迭代次数，精确度，初始向量
网络邻接矩阵的最大特征值对应的特征向量反映了节点重要性
最新发布
qq_45803385的博客
09-03 1386
最大特征值对应的特征向量反映了网络节点的重要性，因为它是通过邻接矩阵的迭代过程稳定下来的状态。分量大的节点具有更高的影响力，因为它们与其他节点的连接性更强或与其他重要节点更紧密地关联，最大特征值对应的特征向量（通常称为主特征向量）中的分量大小反映了每个节点在网络中的相对重要性。分量值越大的节点通常被视为在网络中越重要，或者具有较高的连接性或影响力。
向量迭代求’最大‘特征值和对应的特征向量(python,数值积分)
seventonight的博客
04-29 3618
第二十五篇 向量迭代求’最大‘特征值和对应的特征向量 特征值方程的解 由于方程两边都存在未知向量{x}，可以看出特征值问题的解法本质上是一种迭代。之前已经提到过这样一种方法，涉及到找出特征多项式的根。第二类为“转化方法”，矩阵[A]被迭代变换为一个新矩阵，例如[A∗]，它具有与[A]相同的特征值。好在这些特征值比原始矩阵的特征值更容易计算。第三类方法为“向量迭代”方法，就像之前对非线性方程解的迭代代换一样，对方程左边的{x}做出猜测值，形成乘积[a]{x}，并与右边再做比较。然后反复调整猜测值，直到达成一致
python求矩阵的最大特征值及对应的特征向量
qq_26751379的博客
07-11 1万+
直接看下面的代码就行啦！ import numpy as np #输入矩阵 A = np.array([[1, 1/2, 4, 3, 3], [2, 1, 7, 5, 5], [1/4, 1/7, 1, 1/2, 1/3], [1/3, 1/5, 2, 1, 1], [1/3, 1/5, 3, 1, 1]]) #求解特征值即特征向量 lamda = np.linalg.eig(A) fo.
矩阵的特征值及特征向量理解
kking_edc的博客
06-05 4050
一、特征值&特征向量 1.1 直观印象 如果把矩阵看作是运动，对于运动而言，最重要的是运动的速度和方向，那么： 特征值就是运动的速度 特征向量就是运动的方向 既然运动最重要的两方面都被描述了，特征值、特征向量自然可以称为运动（矩阵）的特征。 注意：由于矩阵是数学概念，非常抽象，所以上面所谓的运动、运动的速度、运动的方向都是广义的，在现实中有不同的替代。 1.1.1 几何意义 在下面的图中画出了基和向量（在i→,j→\overrightarrow{i},\overrightarrow{j}i,j​
特征向量
热门推荐
dongtinghong的专栏
11-06 3万+
特征向量 在数学上，特别是线性代数中，对于一个给定的线性变换，它的特征向量（本征向量或称正规正交向量）v经过这个线性变换[1]之后，得到的新向量仍然与原来的v 保持在同一条直线上，但其长度也许会改变。一个特征向量的长度在该线性变换下缩放的比例称为其特征值（本征值）。如果特征值为正，则表示v 在经过线性变换的作用后方向也不变；如果特征值为负，说明方向会反转；如果特征值为0，则是表示缩回零点
python实现PCA降维
络小绎
10-28 1万+
本文包括两部分，使用python实现PCA代码及使用sklearn库实现PCA降维，不涉及原理。 总的来说，对n维的数据进行PCA降维达到k维就是： 对原始数据减均值进行归一化处理； 求协方差矩阵； 求协方差矩阵的特征值和对应的特征向量； 选取特征值最大的k个值对应的特征向量； 经过预处理后的数据乘以选择的特征向量，获得降维结果。 实验数据 数据data.txt使用[2]中编写的数据，以下是部分数据截图： shape为(31, 4)，即31条特征数为4的数据。 使用py..
幂法求解矩阵的最大最小特征值及对应的特征向量
wjyxld的博客
03-26 1万+
当矩阵A满足一定条件时，可用幂法计算其主特征值(按模最大)及其特征向量。矩阵A需要满足的条件为： （1），其中为A的特征值。 （2）存在n个线性无关的特征向量，设为。 1.计算过程 2.算法实现 幂法采用迭代运算得到特征值和对应特征向量，具体步骤见下， 3.实例及matlab应用 clear;clc; A=[5.2 4.8 7.8 4.9 6 4.4 8.8 5.0 5.7...
使用PCA对数据集进行降维
JiangNanMax的博客
11-04 1万+
使用PCA对数据集进行降维 一、实验准备 1、实验内容和目的 使用主成分分析(PCA)对鸢尾花数据集进行降维操作，其中要求绘制出降维后的数据分布散点图并说明降维后的维度，提取的主成分的特征值 其中数据集文件为iris.data.txt。数据集中的每个样本有4个特征参数，最后的标签为鸢尾花的类别 2、实验原理 前面学习到了KNN分类算法，然后使用KNN算法进行鸢尾花的分类。分类时，虽...
PCA降维笔记
weixin_45883223的博客
09-29 3960
PCA（主成分分析）降维几个概念解释方差方差协方差协方差矩阵最大重构性去中心化过度拟合最大方差理论原理注意点步骤总结python例子numpy.mean 几个概念 解释方差 当有多个变量,分析单个变量与总方差的方差比。 方差 描述波动情况 协方差 x,y的相关性 协方差矩阵 最大重构性 找到一个超平面使得样本点在这个超平面的投影尽量分开。 去中心化 使数据满足均值为0，但对标准差没有要求。 过度拟合 欠拟合：如果一个算法没有很好的拟合数据，比如一个本应该用二次多项式拟合的数据用了线性去拟合，导致最后拟
PCA降维求特征值的原因
苝花向暖丨楠枝向寒
01-20 1771
我看了几篇文章，知道了PCA降维思路，但始终不能理解，为什么通过求其特征值，然后去掉较小的特征值，再根据特征值求出特征向量最终能达到降维的目的。 如果你有相同的困惑，看下面的内容一定会有帮助。 看之前你需要了解协方差矩阵。了解特征值的求解方式。 PCA做的事情： 去噪声和冗余 噪声: 样本中某个主要维度A，能够代表原始数据，但是由于维度A与其他维度有联系，而其他维度又给我们造成干扰，此时可以通过P...
浅析PageRank(公式篇2)
艾儿的博客
12-22 645
      上公式~~~PageRank最开始一个版本的公式：             最基本的概念这里不再赘述，对公示稍加解释：页面A的PR是由页面B、C、D一起贡献的，每个页面贡献给A的大小由各自链出数目决定，如果B有五个链出，PR(B)=10，那么就有2的值给A。q是阻尼因子，指代浏览者沿着当前链接继续阅读的可能性，每个页面都有一个最小值1-q，PR中q=0.85。       接下来...
PCA降维的主方向和协方差矩阵的特征向量，有什么关系？
Kp0fS的草稿纸
08-20 657
PCA降维的主方向和协方差矩阵的特征向量，有什么关系？
PCA（主成分分析）降维：找使得方差最大的投影方向
weixin_41012399的博客
06-29 8164
本质：去掉数据中没什么用处的信息，减少维度。 方法：找到一个方向，使得数据在这些投影方向上的方差最大。计算原始数据在这些正交基上投影的方差，方差越大，就说明在对应正交基上包含了更多的信息量。这个方向就是主成分。 可以用numpy实现对数据的降维，利用数据的特征值和特征向量。 例如：一个100*4（性别；颜值；身高；收入）维的矩阵，PCA降维就是保留差别最大的那几列。假设性别都为女，对特征没影响就去...
pca 矩阵 迹_降维（一）----说说主成分分析(PCA)的源头
weixin_28932441的博客
01-17 706
降维系列：---------------------主成分分析(PCA)在很多教程中做了介绍，但是为何通过协方差矩阵的特征值分解能够得到数据的主成分？协方差矩阵和特征值为何如此神奇，我却一直没弄清。今天终于把整个过程整理出来，方便自己学习，也和大家交流。提出背景以二维特征为例，两个特征之间可能存在线性关系的(例如这两个特征分别是运动的时速和秒速度)，这样就造成了第二维信息是冗余的。PCA的目标是...
机器学习之降维
wzy2643的博客
07-26 1493
机器学习之降维算法
特征值和特征向量
weixin_30248399的博客
12-07 705
一. 意义 从线性空间的角度看，在一个定义了内积的线性空间里，对一个N阶对称方阵进行特征分解，就是产生了该空间的N个标准正交基，然后把矩阵投影到这N个基上。N个特征向量就是N个标准正交基，而特征值的模则代表矩阵在每个基上的投影长度。 特征值越大，说明矩阵在对应的特征向量上的方差越大，功率越大，信息量越多 应用到最优化中，意思就是对于R的二次型，自变量在这个方向上变化的时候，对函数值的影响最...
matlab计算最大特征向量,MATLAB求最大特征值和特征向量
weixin_35765686的博客
03-22 3515
若已知矩阵为A，则[V,D]=eig(A)，其中对角阵D的对角元素为A的特征值，而矩阵D的每一列向量为其所对应的特征向量.A =0.3132 0.3566 0.2545 0.2579 0.2063-0.0897 0.2913 0.1888 0.4392 0.14700.0845 0.2433 -0.5888 -0.0407 0.1...
Matlab_求最大特征值和特征向量
LIULIULIUGEZI的博客
04-14 3601
A=[3,2,4;2,0,2;4,2,3]; [x,y]=eig(A);%求特征值和特征向量 lambda = diag(y);%求对角线向量 [lambda_max,ii]=max(lambda);%求最大特征值及对应的序数 u=x(:,ii);%求矩阵最大特征值对应的特征向量
PCA主成分分析的理论推导（为什么选择协方差矩阵的最大特征值对应的特征向量作为投影方向？）
沙丁鱼鱼鱼
07-07 5196
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值