|
|
|
|
移动端

2.3.11 PCA——归一化和相关性系数

《深度学习与计算机视觉:算法原理、框架应用与代码实现》本书全面介绍了深度学习及计算机视觉中最基础的知识,并结合最常见的应用场景和大量实例,带领读者进入丰富多彩的计算机视觉领域。作为一本“原理+实践”教程,本书在讲解原理的基础上,通过有趣的实例带领读者一步步亲自动手,不断提高动手能力,而不是枯燥和深奥原理的堆砌。本节为大家介绍PCA——归一化和相关性系数。

作者:叶韵来源:机械工业出版社|2017-10-23 16:39

开发者盛宴来袭!7月28日51CTO首届开发者大赛决赛带来技术创新分享

2.3.11  PCA——归一化和相关性系数

在前面内容中介绍过相关性系数r,根据定义再对照PCA降维中的预处理步骤,会发现预处理之后其实就相当于基于相关性系数矩阵执行了PCA。这样做的好处除了前面提到的降低不同维度量级影响,最根本来说是直接获取了维度间相关性的信息,比如图2-37所示的例子。

仅看协方差矩阵的话,很难直观感受出相关性的大小,而直接看相关系数矩阵的话,则一目了然。这种直观性也体现在画出来的样本分布上,从图2-37b中更容易一眼看出两个维度的正相关性。

总的来说,如果正相关性越强,则值越接近1,负相关性越强,值越接近-1,没有相关性则为0。比如下面图2-38中所示的5个例子。

喜欢的朋友可以添加我们的微信账号:

51CTO读书频道二维码


51CTO读书频道活动讨论群:365934973

【责任编辑:book TEL:(010)68476606】

回书目   上一节   下一节
点赞 0
分享:
大家都在看
猜你喜欢

读 书 +更多

非常网管——网络服务

本书使用通俗易懂的语言,通过大量的实例,从实际应用的角度出发,全面系统地介绍了网络服务操作系统平台、电子邮件系统、Web站点和FTP站点...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊