Image processing 如何使用主成分分析选择多个维度

我最近读了PCA（主成分分析），了解了如何降维。当我们只需要一个维度时，我们选择一个对应于最大特征值的特征向量，但如果需要多个维度，那么我应该取对应于最大特征值的特征向量吗

基本上是的（从您的描述中可以推断出），如果您的案例中有更多信息，您的实施工具等，那将很好。但基本上是的，流程将是：

计算协方差矩阵

计算协方差矩阵的特征向量，根据您的工具，可以使用预定义函数“eig”或“奇异值分解”（matlab中的svd）计算协方差矩阵的特征向量。如果你使用奇异值分解，它通常会返回3个值，第一个值是一个矩阵，它包含这个矩阵的特征向量，如果你想要“k”维，你需要“k”列，它们是你的主成分

这是我在PCA倍频程中的实现，我使用PCA.m文件定义我的PCA计算，并使用ex7_PCA.m对特定情况进行降维：

基本上是的（从您的描述中可以推断出），如果您的案例中有更多信息，您的实施工具等，那就太好了。但基本上是的，流程是：

计算协方差矩阵

计算协方差矩阵的特征向量，根据您的工具，可以使用预定义函数“eig”或“奇异值分解”（matlab中的svd）计算协方差矩阵的特征向量。如果你使用奇异值分解，它通常会返回3个值，第一个值是一个矩阵，它包含这个矩阵的特征向量，如果你想要“k”维，你需要“k”列，它们是你的主成分

这是我在PCA倍频程中的实现，我使用PCA.m文件定义我的PCA计算，并使用ex7_PCA.m对特定情况进行降维：

---

主成分分析（PCA）是一种统计技术，它执行正交变换，将一组可能相关变量的观测值转换为一组称为主成分的线性不相关变量值

PCA变换后的组件数量等于变量数量。这种转换的定义方式是，第一个主成分具有最大的可能方差（即，它尽可能多地解释了数据中的可变性），并且在与前面的成分正交的约束下，每个后续成分又具有最大的可能方差。结果向量是不相关的正交基集

一般来说，人们使用的分量占99%的方差，比变量总数小得多

参考资料：

---

主成分分析（PCA）是一种统计技术，它执行正交变换，将一组可能相关变量的观测值转换为一组称为主成分的线性不相关变量值

PCA变换后的组件数量等于变量数量。这种转换的定义方式是，第一个主成分具有最大的可能方差（即，它尽可能多地解释了数据中的可变性），并且在与前面的成分正交的约束下，每个后续成分又具有最大的可能方差。结果向量是不相关的正交基集

一般来说，人们使用的分量占99%的方差，比变量总数小得多

参考资料：