如何在计算滚动协方差时对矩阵进行降维？
在计算滚动协方差时对矩阵进行降维，可以通过以下步骤实现：
- 首先，了解滚动协方差的概念。滚动协方差是一种用于计算数据序列中变量之间关系的统计方法，它可以在数据流中实时计算协方差矩阵。
- 接下来，了解矩阵降维的方法。矩阵降维是指将高维矩阵转换为低维矩阵的过程，可以通过主成分分析（PCA）等技术来实现。PCA是一种常用的降维方法，它通过线性变换将原始数据映射到一个新的坐标系中，使得映射后的数据具有最大的方差。
- 在计算滚动协方差时对矩阵进行降维，可以先对原始数据进行降维处理，然后再计算滚动协方差。具体步骤如下：
- 使用PCA等降维方法将原始数据矩阵降维到较低的维度。
- 对降维后的数据计算滚动协方差矩阵。滚动协方差可以通过维护一个滑动窗口来实现，每次新的数据到来时，更新窗口内的数据，并重新计算协方差矩阵。
- 根据需要，可以选择保留滚动协方差矩阵的部分元素，以进一步降低维度。
- 降维后的滚动协方差矩阵可以用于分析数据序列中变量之间的关系，例如发现主要的相关性、异常值等。
在腾讯云的产品中，可以使用腾讯云的机器学习平台（https://cloud.tencent.com/product/tiia）来进行矩阵降维和滚动协方差计算。该平台提供了丰富的机器学习算法和工具，可以方便地进行数据处理、特征提取、降维和模型训练等操作。
相关·内容
我在100张图像上使用PCA。我的训练数据是442368x100 double矩阵。442368是特征，100个是图像的数量。这是我找到特征向量的代码。
[ rows, cols] = size(training);
maxVec=rows;
maxVec=min(maxVec,rows);
train_mean=mean(training,2);
A=training-train_mean*ones(1,cols);
A=A'*A;
[evec,eval]=eig(A);
[eval ind] = sort(-1*diag(eval));
evec= evec(:, ind(1:
浏览 2提问于2016-09-26得票数 4
回答已采纳
2回答
我有一个m*n维数的矩阵M。M包含n个数据，每个数据都有m维，且m比n大。
现在我的问题是，如何计算PCA of M，使用OpenCV中的SVD来保持总负载或能量的99%<code>E 213</code>的特征向量，步骤或步骤是什么？
浏览 2提问于2013-04-18得票数 2
回答已采纳
1回答
我是数据科学和统计学的新手。我遇到了这个问题，它有50个自变量和一个因变量，并试图找出一个很好的回归技术。下面是我执行的流程图：
数据挖掘->相关矩阵->维数约简-> (维数约简) ->基本线性回归技术。
如果有其他更好的技术或程序，有人能指导我吗？
浏览 0提问于2018-11-07得票数 1
2回答
我有一个类似于M = K x N的矩阵，其中k是49152，是问题的维数，N是52，是观察的数目。
我尝试过使用[U,S,V]=SVD(M)，但是这样做的内存空间就更少了。
我找到了另一个使用[U,S,V]=SVD(COV(M))的代码，它运行得很好。我的问题是，在COV(M)中使用SVD命令的意义是什么，结果[U,S,V]的含义是什么？
浏览 4提问于2016-07-17得票数 1
回答已采纳
1回答
MATLAB:用于降维的PCA
、、、、
我计算了一个图像数据集的颜色描述符，生成了一个152×320矩阵(152个样本和320个特征)。我想使用PCA来降低图像描述符空间的维数。我知道我可以使用Matlab内建函数来实现这个功能，但是由于我刚刚开始学习这个概念，我想在没有内置函数的情况下实现Matlab代码，这样我就可以清楚地了解这个函数是如何工作的。我试图在网上找到如何做到这一点，但我所能找到的要么是PCA的一般概念，要么是用内置函数实现它，而没有清楚地解释它是如何工作的。任何人都可以帮助我一步一步的指示或链接，可以解释一个简单的方法如何实现PCA降维。我之所以如此困惑，是因为PCA和实现它的方法有太多的用途，而且我读到的越多，我
浏览 2提问于2017-03-27得票数 1
回答已采纳
5回答
我正在用R做一个文本分类任务，我获得了一个大小为22490×12万的文档项矩阵(只有400万个非零条目，小于1%的条目)。现在，我想利用主成分分析( PCA )来降低维数。不幸的是，R不能处理这个庞大的矩阵，所以我将这个稀疏矩阵存储在一个文件中，格式为“matrix”，希望使用其他一些技术来进行PCA。
因此，有人能给我一些有用的库(不管编程语言是什么)，它可以方便地用这个大规模矩阵进行主成分分析，或者自己做一个长和主成分分析，换句话说，首先计算协方差矩阵，然后计算协方差矩阵的特征值和特征向量。
我想要的是计算所有PC(12万)，并只选择前N个人电脑，谁占90%的方差。显然，在这种情况下，我必
浏览 16提问于2012-05-23得票数 18
1回答
我的任务是对给定的二维5000个数据进行PCA和白化变换。
我对PCA的理解是用协方差矩阵的特征向量分析数据的主轴，并将主轴旋转到x轴！
这就是我所做的。
[BtEvector,BtEvalue]=eig(MYCov);% Eigen value and vector using built-in function
我首先计算了特征值和向量。结果是
BtEvalue=[4.027487815706757,0;0,8.903923357227459]
和
BtEvector=[0.033937679569230,-0.999423951036524;-0.999423951036524,-0.
浏览 2提问于2017-10-08得票数 1
我需要根据Java中的正态分布来采样网格的单元格(MXN的矩阵)。
我知道具有一维采样(1D)的功能，所以对于向量来说很好，但是我找不到2D的替代方法。
我已经考虑过两次使用一维方法:一种用于行，另一种用于cols。但是，(1)它并不完全被批准，因为它将使用而不是，(2)这种方法不会避免重复(即它不会是抽样)。
那么，如何根据以特定单元(r，c)为中心的正态分布(高斯)分布来采样网格(矩阵)的单元格呢？
Alternatively，如果采样不可能(或太复杂)，我如何在以特定单元为中心的网格中使用正态分布交叉单元来分配概率(r，c)？例如，对于3x3:：
0.1 | 0.1 | 0.1
0.1
浏览 2提问于2016-02-24得票数 1
我想使用MatLab中的主成分分析(PCA)将一个更大的维数矩阵(如2000*768)减少到一些较低的维数(如200*768或400*400 (不固定))。我想这样做是为了减少特征维数。我怎么才能轻松做到这一点呢？请给我推荐一些教程，以便更好地理解PCA。
提前谢谢。
浏览 4提问于2015-05-08得票数 0
解释说，fit_transform只能用于密集矩阵，但我有一个csr格式的稀疏矩阵，我想对它执行tsne。文档说要对稀疏矩阵使用fit方法，但这并不返回低维嵌入。
我很感谢我可以像在.todense()中一样使用方法，但是我的数据集非常大(0.4*10^6行和0.5*10^4列)，所以内存中不适合使用。真的，用稀疏矩阵来做这件事是很好的。是否有一种方法可以使用scikit TSNE (或TSNE的任何其他python实现)来降低大型稀疏矩阵的维数，然后返回低维嵌入以进行可视化？
浏览 6提问于2017-09-26得票数 4
回答已采纳
6回答
我有大量的数据(大约8GB)。我想用机器学习来分析它。因此，我认为应该使用SVD和PCA来降低数据的维数，以提高效率。然而，MATLAB和Octave无法加载如此大的数据集。
有什么工具可以用这么多的数据来做SVD呢？
浏览 0提问于2014-09-25得票数 36
回答已采纳
2回答
OpenCV高斯曲线拟合
、、、
我正在寻找使用OpenCV拟合高斯曲线。我可以有一维或二维Mat，我想计算矩阵上最佳高斯拟合的高斯参数。但是，我希望能够确定一些参数(例如，高斯均值或方差)。我想要适合的1D模型如下：
y = a + (b - a) * exp( -( x - c )/( 2 * d^2 ) )
在2D Mat的情况下，模型与多变量高斯函数相同。
OpenCV有没有适合我需要的实现？如果是，你能提供一个例子或一些有用的链接吗？提前谢谢你。
浏览 5提问于2013-10-16得票数 0
2回答
降维
、、
我正在尝试理解数据分析中降维的不同方法。特别是，我对奇异值分解(SVD)和主成分分析(PCA)感兴趣。
有人能向外行解释这些术语吗？-我理解降维的一般前提是将数据降维到较低的维度-但是
a) SVD和PCA如何做到这一点，以及b)它们在方法上有何不同
或者如果你能解释一下每种技术的结果告诉我什么，那么对于a) SVD -什么是奇异值b) PCA -“方差比例”
任何一个例子都是很棒的。我的数学不是很好！
谢谢
浏览 6提问于2017-10-27得票数 1
我试图在下面的代码中理解perr，它是一个维数(2，2)的矩阵，.I期望它是一个维数(1，2)的矩阵。请您解释一下哪个值对应于斜率，哪个值对应于拦截。文档指出，对角线是参数(斜率、截距)的方差。对角线元素呢?告诉我们什么？
x= np.arange(10)
y = np.array([2,4,7,8,11,18,20,24,26,28])
def line(x,m,b): #m and b are parameters
return m*x+b
pfit,perr = optimize.curve_fit(line,x,y)
error = []
for i in range(
浏览 0提问于2018-06-27得票数 1
回答已采纳
请告诉我这是问这个问题的合适地点(或者我的标签是否错了)，或者我是否需要用不同的方式写这个。
在分类降维时，我是否使用训练集中的均值向量来对测试集进行中心化？
我正在使用主成分分析程序来减少训练集的维度。我制造分类器。然后，在对测试集的特征向量进行分类之前，在降维的中心部分，我是使用训练集的相同均值向量，还是取测试集的均值向量并减去测试集，还是取训练和测试集合并的均值向量，从测试集减去？
如果第三种选择，这是否意味着我也应该使用训练和测试集的结合来集中训练集？不，(为了推广到其他测试集)对吗？
另外，即使我很确定答案和上面一样，你能不能告诉我，如果使用训练集的协方差矩阵得到一个特征向量矩阵，并
浏览 0提问于2020-03-23得票数 1
回答已采纳
据我所知，常设仲裁法院一般采取以下步骤：
计算协方差矩阵Σ= (1/m) * (X*X')
Σ: U，S，V= SVD(Σ)上的奇异值分解
取U的第一列k降为k维: U_reduced = U:，k
X_reduced = U_reduced‘*X
X_reduced是X降为k维。
但是，当我查看时，我发现了这一行代码：
U *= S[:self.n_components_]
这个U作为转换X返回，为什么使用S而不是X仍然有效？
浏览 4提问于2017-11-24得票数 0
回答已采纳
早上好,
我正在研究一些有关PM2.5的时空数据。
我想应用一个版本的随机森林，它明确地解释了观测中的空间依赖，正如“空间依赖数据的随机森林”中所介绍的那样。
这是R包：
重点是，我想解释时空依赖，而不仅仅是空间依赖。
理论上，如果我能给函数提供时空协方差矩阵Q(它将是NT x NT矩阵)的估计，那么拟合就可以像原算法一样运行。
我不知道如何修改函数RFGLS_estimate，使其能够在输入中提供协方差矩阵q，用于树的生长。
有什么建议吗？
先谢谢你
浏览 2提问于2022-05-26得票数 0
我正在使用OpenCV跟踪轮廓的位置。
在接收到位置(x，y)后，我将它们传递给卡尔曼滤波器。
这里有一个例子：
import cv2
import numpy as np
dt = 1
kalman = cv2.KalmanFilter(4,2,4)
kalman.measurementMatrix = np.array([[1,0,0,0],[0,1,0,0]],np.float32)
kalman.transitionMatrix = np.array([[1,0,dt,0],[0,1,0,dt],[0,0,1,0],[0,0,0,1]],np.float32)
kalman.cont
浏览 10提问于2022-07-17得票数 0
回答已采纳
我试图从两个二维数组中计算出每对行之间的Pearson相关系数。然后，根据关联矩阵的对角线元素对行/列进行排序。首先，相关系数矩阵(即“ccmtx”)是根据下列代码中的一个随机矩阵(即“randmtx”)计算的：
import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import pearsonr
def correlation_map(x, y):
n_row_x = x.shape[0]
n_row_y = x.shape[0]
ccmtx_xy = np.empty((n_row_
浏览 2提问于2017-07-19得票数 1
1回答
在函数"cov"中引入Matlab，计算给定矩阵C的协方差矩阵。如果C太大，例如1000*60000双倍，而我的计算机内存不足，则需要编写一个函数来计算给定矩阵C的块或块的协方差矩阵。我的问题是如何计算块/块的协方差矩阵？假设给定矩阵的大小为1000*60000双倍，我的计算机无法使用"cov"函数来处理。
浏览 3提问于2015-08-05得票数 0
回答已采纳
下午好。
我面临着一项PCA任务，它只涉及到降低向量的维数。在这种情况下，我对二维矩阵不感兴趣，只对一个D维向量感兴趣，我想沿着它的K个主特征向量投影。
为了实现PCA，我需要检索这个向量的协方差矩阵。让我们尝试在一个示例向量上执行此操作：
someVec = np.array([[1.0, 1.0, 2.0, -1.0]])
我将这个向量定义为一个1X4矩阵，即一个行向量，以使其与numpy.cov兼容。将这个向量的协方差矩阵通过numpy.cov将产生一个标量协方差矩阵，因为numpy.cov假设特征在行中：
print np.cov(someVec)
1.58333333333
但这只是
浏览 2提问于2012-12-11得票数 1
回答已采纳
4回答
有没有办法用置信/不确定性/误差椭圆来计算协方差矩阵？我知道它是如何做的，使用2x2 covariance matrix来计算置信椭圆(例如，在这里描述：)。
这是可能的还是必要的信息缺失了？
我的置信椭圆是用两个轴的长度和椭圆旋转的角度来描述的。
到目前为止，的方法是：轴长度对应于协方差矩阵的两个特征值，并定义“扩展”。椭圆角为0，x& y. 之间没有相关性。
我创建了一个新的空白2x2矩阵，并假设角度为zero，例如，我使用了第一个特征值并将其设置为var_xx。第二特征值和var_yy也是如此。现在我有了一个对角线矩阵，它描述了方差，但是没有旋转(相关)。
现在我用一个二维旋转矩
浏览 11提问于2017-01-23得票数 3
回答已采纳
1回答
无监督降维算法以矩阵NxC1为输入，其中N是输入向量的个数，C1是每个向量的分量数(向量的维数)。因此，它返回一个新的矩阵NxC2 (C2 < C1)，其中每个向量的分量较少。
模糊聚类算法以矩阵N*C1为输入矩阵，其中N是输入向量的个数，C1是每个向量的分量数。因此，它返回一个新的矩阵NxC2 (C2通常低于C1)，其中每个向量的每个分量都指示向量属于相应的簇的程度。
我注意到，这两类算法的输入和输出在结构上是相同的，只是对结果的解释发生了变化。此外，在scikit-learn中没有模糊聚类实现，因此出现了以下问题：
使用降维算法进行模糊聚类有意义吗？例如，将或应用于从文本数据中提取的
浏览 2提问于2015-10-13得票数 3
回答已采纳
2回答
我需要测量两个n维向量之间的距离。似乎Mahalanobis距离在这里是一个很好的选择，所以我想试一试。
我的代码看起来像这样：
import numpy as np
import scipy.spatial.distance.mahalanobis
x = [19, 8, 0, 0, 2, 1, 0, 0, 18, 0, 1673, 9, 218]
y = [17, 6, 0, 0, 1, 2, 0, 0, 8, 0, 984, 9, 30]
scipy.spatial.distance.mahalanobis(x,y,np.linalg.inv(np.cov(x,y)))
但是我得到了这
浏览 0提问于2013-06-19得票数 3
回答已采纳
https://archive.ics.uci.edu/ml/datasets/YearPredictionMSD
根据上述链接中给出的描述，属性信息指定“所有”段的平均值和协方差，每个段由一个12维音色向量描述“。所以协方差矩阵应该有12*12 =144个元素。但是为什么音色协方差特征的数量只有78个？
浏览 0提问于2014-11-25得票数 3
回答已采纳
1回答
我有一个具有大约100万行和大约500 K稀疏特性的数据集。我想把维数降到1K-5K稠密特征的某个地方。
sklearn.decomposition.PCA不工作在稀疏数据上，我尝试过使用sklearn.decomposition.TruncatedSVD，但是很快就得到了一个内存错误。在这个尺度上，我的有效降维选择是什么？
浏览 0提问于2018-08-29得票数 14
回答已采纳
尝试将主成分分析(PCA)与支持向量机(SVM)相结合进行人脸识别。但我对简历感到困惑：：pca！根据计算特征向量和特征值的，首先计算数据的协方差矩阵，然后由协方差矩阵计算特征向量和特征值。在它的样本代码中，它不计算协方差矩阵，它只是将数据传递给构造函数。那么cv::pca计算协方差矩阵本身？或者我们应该计算它并把它传递给cv::pca警员？从特征向量和特征值的维数来看，我猜它没有计算它们。我说的对吗？
浏览 2提问于2015-09-16得票数 1
回答已采纳
1回答
所以我有这个数据集，大约有750个变量(列)和5万行条目。我想将数据集的维数降到25-50-100维，然后计算这些维度之间的关联矩阵。我有连续的和离散的列。我还想知道哪些维度代表原始数据集中的单个变量束。我要补充的是，我没有输出变量，我只是试图在数据中找到相关性。在Python中有办法做到这一点吗？
浏览 0提问于2021-02-25得票数 1
1回答
我使用PCA将矩阵m*n简化为矩阵m*2。
我在我的项目中使用了中的代码片段，它可以工作。
import org.apache.spark.mllib.linalg.Matrix
import org.apache.spark.mllib.linalg.distributed.RowMatrix
val mat: RowMatrix = ...
// Compute the top 2 principal components.
val pc: Matrix = mat.computePrincipalComponents(2) // Principal component
浏览 5提问于2015-08-05得票数 4
回答已采纳
1回答
寻找随机向量的下正态分布
、、、、
我试图用Python解决一个与统计相关的现实世界问题，并寻找我的想法的输入:我有来自m维正态分布的N个随机向量。我没有关于基本分布的均值和协方差矩阵的信息，事实上，它是正态分布只是一个假设，一个非常可信的假设。我想要计算分布的平均向量和协方差矩阵的逼近。随机向量的个数在100 ~ 300之间，正态分布的维数在2~ 5之间，在标准家用计算机上的计算时间最好不超过1分钟。
我目前正在考虑三种方法，并对关于这三种方法之间的其他方法或偏好的所有建议感到高兴：
拟合：生成所有随机向量的多维直方图，并将多维正态分布拟合到直方图中。这个方法的问题:协方差矩阵有很多项，这可能是拟合过程中的一个问题？
浏览 3提问于2020-02-23得票数 0
回答已采纳
1回答
给我一个20122-DIM矩阵，每一列都是一个20元向量。现在我把umap应用到矩阵中，得到一个2_122矩阵和一个umap图。如何度量这个umap模型的拟合优度？有什么标准的方法吗？
浏览 8提问于2022-08-05得票数 0
2回答
底线问题：当我使用计算出的PCA投影矩阵P将向量v投影到另一个空间(可能在维度上较低)时，我是否应该首先从v<code>E 29</ for >中减去>用于创建其主要特征向量构成投影矩阵的协方差矩阵的向量的均值<code>E 110<//代码>P<代码>E 211</代码>？
另一个导出的问题：如果上面问题的答案是“正确的”，那么当我将一个“约简”向量投影回原来的空间时，最终是否应该将添加到其中？
现在是一个详细的问题，包括可能造成混乱的步骤：
PCA流以下列方式进行：
取长度为m向量的d，计算它们的协方差矩阵。
浏览 5提问于2017-01-19得票数 2
回答已采纳
1回答
我需要创建“用200个样本建立的二维数据集，这些样本来自一个非对角协方差矩阵的多元高斯分布”，但我既不是统计学家，也不是数学家，我没有完全理解这一点。
这是我所理解的。对角线矩阵是在主对角线之外的条目中包含所有零的矩阵。因此，我假设非对角线是指一个矩阵，它在主对角线之外的条目中没有所有的零，所以任何随机矩阵都可以，对吗？所以，我开始创建一个随机矩阵，因为这里没有任何大小，我只做了100x100：
m <- matrix(rnorm(100*100), 100, 100)
我不知道怎么实现剩下的。我知道创建示例的sample()函数，但是如何创建“从多元高斯分布创建200个样本的2D数据集
浏览 2提问于2016-06-06得票数 0
回答已采纳
1回答
我有一个关于我的机器学习家庭作业的具体问题。
基本上，我们需要构建一个采用5000*10000数据集X(每个示例有10000个特性)的模型，并预测Z，这是一个5000*2矩阵。数据集Z是从X综合生成的，但是它只依赖于X中的两个特征，即10000个特征中只有2个是相关的。Z只有3个可能的类，0,0、1,0和1,1，并且是不平衡的。X的所有特征都是从正态分布中平均采样的，唯一的区别是，Z是从其中的两个特征中计算出来的。
我认为使用PCA可能是个好主意，于是尝试了一下。然而，我有两个问题。首先，在X@X.T或np.linalg.eig上调用X.T@X需要不合理的时间。第二，当我使用np.linalg
浏览 0提问于2019-10-23得票数 0
回答已采纳
2回答
我有一个卡尔曼滤波器跟踪一个点，用状态向量(x，y，dx/dt，dy/dt)。
在给定的更新中，我有一组可能对应于跟踪点的候选点。我想遍历这些候选点，并选择最可能对应于跟踪点的候选点，但前提是与跟踪点对应的点的概率大于阈值(例如，p> 0.5)。
因此，我需要使用滤波器的协方差和状态矩阵来估计这个概率。我该怎么做？
另外，请注意，我的状态向量是四维的，但是测量值是二维的(x，y)。
浏览 4提问于2014-11-11得票数 3
回答已采纳
1回答
我正在使用一个数据库，在该数据库中，对于数据库中的每个元素(单个示例)，我有一个150x160矩阵的特性。矩阵的列表示空间dimantion，行表示频率。因此，对于每个元素，我得到了不同样本点和不同频率的强度数据。在应用机器学习算法之前，我希望应用PCA来减少数据集的维数，并最大化数据集的可变性。但我不知道如何在这种情况下应用PCA，因为我通常使用它来处理一维数据数组。欢迎所有的帮助，谢谢！
浏览 4提问于2022-06-27得票数 0
根据wiki的说法，重新开始使用T-SNE映射到二维.
如果我们想要可视化数据，我可以理解这一点。
如果我们想要减少功能的数量(即从30个特性减少到5个dims)，那么是否建议使用T-SNE来实现呢？还是我们应该使用其他的降维算法？
浏览 0提问于2021-06-22得票数 7
回答已采纳
2回答
矩阵TFIDF的降维
、、、
我计算了TFIdf(词频，反向文档频率)，并且我已经看到，在这一步之后，有必要使用诸如LSI、chi -square test等方法来降低矩阵的维数。
我不知道如何在java中实现用于矩阵TFIDF降维的卡方测试，如果有一些库可以做这件事，或者有教程解释我如何做这件事，请告诉我
浏览 0提问于2011-03-30得票数 4
回答已采纳
我一直在到处寻找，我只找到了如何创建一个从一个向量到另一个向量的协方差矩阵，比如cov(xi，xj)。我困惑的一件事是，如何从集群中获得协方差矩阵。每个簇都有许多向量。如何将它们合并到一个协方差矩阵中。有什么建议吗？
信息：
输入:簇中的向量，Xi = ( x0，x1，...，xt)，x0={5 1 2 3 4} -->一个列向量
(实际上它是一个MFCC特征向量，每个向量有12个系数，在用k-means聚类后，8个聚类，现在我想得到每个聚类的协方差矩阵，作为高斯混合模型中的协方差矩阵)
output : covariance matrix n x n
浏览 4提问于2011-05-30得票数 3
回答已采纳
我的代码遵循PCA算法，以便找到20000 *35矩阵的特征向量和特征值。因此，为了找到特征向量，我需要找到协方差矩阵，在计算中，协方差矩阵的阶数为20000*20000。
我怎么处理这么大的矩阵呢？我的代码使用了OpenCV
浏览 0提问于2013-05-05得票数 0
6回答
我有大约1000个维度为50000的向量x_i，但它们非常稀疏；每个向量只有大约50-100个非零元素。我想在这个数据集上做PCA (在MATLAB中)，以减少数据的不必要的极端维度。
不幸的是，我不知道没有中间完整矩阵的任何方法，因为需要从所有示例中减去均值。当然，1000x50000的矩阵太大了，内存无法容纳(当我尝试的时候，由于某种原因，它实际上会使我的整个计算机崩溃)。Matlab内置的princomp在我尝试使用它的时候也会使我的计算机崩溃。
所以我的问题是:有没有一种方法可以在不需要大量非稀疏矩阵作为中间步骤的情况下对这些数据进行PCA？
浏览 0提问于2012-11-17得票数 11
回答已采纳
我没有从Matlab函数中得到正确的结果，所以我的数据安排可能是错误的。我查看了我正在使用的函数的帮助文件，以及它所使用的输入"X“必须在表单中。
X的行对应于观察，列对应于变量。
很抱歉，如果这是非常基本的，但我的输入矩阵应该如何安排呢？
我有5个作者，每个作者都有一个长度为18的特征向量(例如，为了简单起见)。
因此，我假设observations是指同一作者的不同特性，而variables是指作者，所以我将输入矩阵安排为[18 x 5]，其中每一列都是作者。
这个例子很简单。在SIFT特性的情况下呢？在这里，每个作者将产生一个特征矩阵[128 x num. of keyp
浏览 2提问于2014-10-03得票数 1
1回答
矩阵核
、、、
我们正在进行一个项目，并试图通过KPCA获得一些结果。
我们有一个数据集(手写数字)，并且已经接受了每个数字的200个第一个数字，所以我们完整的列数据矩阵是2000x784 (784是维度)。当我们进行KPCA时，我们得到了一个包含新的低维数据集的矩阵，例如2000x100。但是我们不明白结果。难道我们不应该像我们为pca做svd时那样得到其他矩阵吗？我们用于KPCA的代码如下：
function data_out = kernelpca(data_in,num_dim)
%% Checking to ensure output dimensions are lesser than inpu
浏览 2提问于2014-01-18得票数 0
回答已采纳
有人能帮我解决这个问题吗？很长时间以来，我一直在试图弄清楚这一点。
我有一个training_Set：<1530*270400 double>和Test_Set：<4794*270400 double>
我使用的是线性判别分析方法
class = classify(Test_Set,Training_Set,train_label,'linear')
使用分类时出错(第228行)
训练的集合协方差矩阵必须是正定的。
浏览 0提问于2013-04-10得票数 0
2回答
我的模型系统:一个各向同性扩散的粒子，在各种扩散系数之间经历随机切换(D1 <-> D2 <-> D3 <-> ...)。
由于沿该假设粒子轨迹的位移可以建模为从高斯分布中得出，因此似乎很自然地使用高斯+模型选择的混合来提取关于存在的不同“状态”或扩散系数的数量的信息，这将表现为混合物中的不同成分。
似乎有相当多的代码在GMM上执行EM，其中您的协方差矩阵是不受约束的。然而，在我的特定应用中，各向同性扩散意味着我的矩阵不仅是对角线，而且对角线的所有分量对于每个混合分量都是相等的，这意味着在x，y，z方向上的扩散速率是相同的。
在这种特殊情况下，期望和最大化步
浏览 3提问于2014-04-13得票数 0
1回答
我正在尝试从64535 x 67矩阵到64535 x 2矩阵进行降维到2维。我不确定为什么下面的拟合变换计算挂起了，除了这是一个大矩阵和大缩减的事实之外。mds不具备处理如此大的矩阵/约简的能力吗？有什么解决方法吗？
temp = df.select_dtypes(include=[np.number])
norm = (temp - temp.mean())/temp.std()
mds = sklearn.manifold.MDS(n_components=2, eps=0)
data2d = mds.fit_transform(norm)
浏览 5提问于2019-05-23得票数 1
2回答
由于各种维度诅咒的存在，许多常用的预测技术对高维数据的精度和速度都会降低。帮助有效处理高维数据的一些最有用的技术/技巧/启发式方法是什么？例如,
某些统计/建模方法在高维数据集上表现良好吗？
我们可以通过使用特定的(定义距离的替代概念)或核粒 (定义点积的替代概念)来改进高维数据上的预测模型的性能吗？
高维数据降维最有用的技术是什么？
浏览 0提问于2015-01-25得票数 17
1回答
如何应用自适应模式生成
、、、
其中一篇关于运动物体提取方法的定义如下：
提出的基于FLD的径向基函数算法通过感知的三个变量在YCbCr颜色空间中建立输入，为许多数字视频应用提供支持。这些变量是亮度(Y)、蓝差色度(Cb)和红差色度(Cr).因此，像素pt(x；y)的颜色元素一起使用Y、Cb和Cr值来表示每个传入视频帧中每个像素的强度和颜色。为了提供可变比特率视频流特性，有必要生成低维鉴别模式。这是通过使用最优投影向量通过FLD技术从进入帧的连续流入在鉴别模式提取操作中实现的。通过使类间散射和类内散射32、33的比率最大化的过程获得最优投影向量。该方法将每个传入帧分成N个块，kth块xk属于ith类。让类间散射矩阵确定如下
浏览 2提问于2014-02-13得票数 1
回答已采纳
3回答
从数据库中提取的数据集由50多个列组成，我将这些列称为_dimension_s，可以称之为_dimension_s吗？
显然，我必须对它们进行降维。但是，由于PCA算法和其他算法一样，通常采用轴旋转来生成一些新的轴。我认为我不会在降维中使用PCA算法。因此，我计算了这些列(参数)之间的相关性，并过滤了那些具有高值和其他一些规则的人。所以我还能称它为降维吗？因为我只做了一些参数过滤
我之所以不使用PCA算法，是因为我想实现神经网络分类，而且我需要实际的参数。
请评论一下，任何批评都是受欢迎的。
浏览 0提问于2017-03-21得票数 1
如何生成具有名称(Y、X1、X2、Z1、Z2)和5347个具有双边相关性的5维多变量正常值。
相关性：
Y x1 x2 Z1 Z2
Y 1.0 0.2 0.1 0.35 0.0
x1 0.2 1.0 0.0 0.4 0.0
x2 0.1 0.0 1.0 0.0 0.4
Z1 0.35 0.4 0.0 1.0 0.6
Z2 0.0 0.0 0.4 0.6 1.0
我试图生成矩阵和mvtnorm以及大量的包。
浏览 2提问于2017-10-08得票数 1
回答已采纳
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
对象存储
即时通信 IM
实时音视频活动推荐
腾讯云开发者
