AI-020: 练习：PCA

最新推荐文章于 2019-04-08 20:45:34 发布

铭记北宸

最新推荐文章于 2019-04-08 20:45:34 发布

阅读量173

点赞数

CC 4.0 BY-SA版权

分类专栏： AI 人工智能之路

本文链接：https://blog.csdn.net/hanjingjava/article/details/83618059

AI 同时被 2 个专栏收录

49 篇文章

订阅专栏

人工智能之路

37 篇文章

订阅专栏

本文详细介绍如何使用PCA（主成分分析）算法将二维数据降维至一维，以及如何从人脸图像中提取100个主特征。通过实例演示了数据预处理、特征向量计算、数据映射及恢复的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

练习1：将2维数据通过PCA降为1维

过程：

原始数据归一化处理
计算协方差
计算新的特征向量
将原始数据映射到新的特征向量
反向恢复数据，对比验证

50*2数据：

原始数据归一化处理

%  variable X in your environment
load ('ex7data1.mat');

%  Before running PCA, it is important to first normalize X
[X_norm, mu, sigma] = featureNormalize(X);

通过PCA函数计算新的特征向量

%  Run PCA
[U, S] = pca(X_norm);

function [U, S] = pca(X)
%PCA Run principal component analysis on the dataset X
%   [U, S, X] = pca(X) computes eigenvectors of the covariance matrix of X
%   Returns the eigenvectors U, the eigenvalues (on diagonal) in S
%

% Useful values
[m, n] = size(X);

% You need to return the following variables correctly.
U = zeros(n);
S = zeros(n);

cm = (1/m)*transpose(X)*X;
[U, S, V] = svd(cm);

end

将原始数据映射到新的特征向量

%  Project the data onto K = 1 dimension
K = 1;
Z = projectData(X_norm, U, K);

反向恢复数据，对比验证
```
X_rec  = recoverData(Z, U, K);
```

练习2：人脸特征提取

问题描述：原始数据为32*32的灰度人脸图片，通过PCA算法提取100个主特征

过程跟练习1是一样的，不同之处是开始是的数据预处理，这里原始数据是1024（32*32）列的灰度值，m*1024矩阵，m是图片张数；

原始数据：

原始图片：

提取100个特征后效果：

原始数据与PCA后恢复的数据对比：