|
|
|
|
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》第2章 深度学习和计算机视觉中的基础数学知识,本章会尽量从定性的角度讲解一些与深度学习、计算视觉紧密联系的基础数学概念,不一定会很严谨细致,但力求简单、形象。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|2017-11-16 18:12

【新品产上线啦】51CTO播客,随时随地,碎片化学习

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

公钥基础设施PKI及其应用

公钥基础设施PKI(Public Key Infrastructure)是利用公钥概念和加密技术为网上通信提供的符合标准的一整套安全基础平台。公钥基础设施能为...

订阅51CTO邮刊

点击这里查看样刊

订阅51CTO邮刊