该程序使用 PCA 从人脸数据库中识别人脸。 将主成分投影到特征空间以找到特征脸，并从投影到所有脸类的最小欧几里得距离中识别未知脸。

机器学习之主成分分析PCA,

针对当前上市公司信用风险管理效果不佳的问题,提出以上市公司违约概率作为信用风险高低的衡量标准,利用我国上市公司的财务数据,结合主成分分析法和Logistic 方法构造了上市公司信用风险评估模型。实证研究结果表明,该模型具有可信的识别预测和推广能力,能够为企业信用风险程度的判定提供客观依据。

从人脸图像特征提取和分类器构 建两方面分析了人脸识别系统设计的关键点,提出了以主成分分析技术和支持向量机技术相结合构建人脸识别系统的策略,同时在主成分分析技术的理论基础上提出了一种快速PCA算法.通过实验系统在ORL人脸库上的测试结果,分析了该系统的相关参数和特征向量维度的选取对系统识别率的影响,并得到了其最优解.同 时,通过实验证明了所提出方法在小训练集下的识别率优于其它一般方法,其识别率比一般的人工神经网络法提高了7%~10%左右.

特征选择算法能够更好地提高入侵检测系统的检测速度和检测效果,消除冗余数据并减轻噪音特征.结合特征选择算法的优势,提出一种基于主成分分析(PCA)与决策树(C4.5)的入侵检测方法,进而构建出轻量级的入侵检测系统.通过在KDD1999数据集上对该方法进行详细的实验验证,证明该方法一方面确保系统有较高的检测率与较低误报率,另一方面能够比较显著地提高系统的训练时间与测试时间.同时,通过比较实验发现此方法在训练时间、测试时间、检测率、误报率上的效果也优于GA-SVM方法.

针对常见的降维方法难以有效保留多元时间序列主要特征的问题, 分析了传统主成分分析(PCA) 方法在多
元时间序列降维中的局限性, 提出一种基于共同主成分分析的多元时间序列降维方法, 并通过仿真实验比较了两种
方法的降维有效性和计算复杂度. 实验结果表明, 所提出的降维方法能够以相对较小的计算代价, 更有效地对多元时
间序列进行降维.

主成分回归代码matlab及示例机器学习（Coursera） 这是我对Andrew Ng教授的所有机器学习（Coursera）编程任务和测验的解决方案。 完成本课程后，您将对机器学习算法有一个广泛的了解。 首先尝试自己解决所有任务，但是如果您陷入困境，请随时浏览代码。 内容 讲座幻灯片 编程分配的解决方案 解决测验 斯坦福大学的吴安德（Andrew Ng） 第一周 视频：简介 测验：简介 视频：具有一个变量的线性回归 测验：具有一个变量的线性回归 第二周 视频：具有多个变量的线性回归 测验：具有多个变量的线性回归 视频：八度/ Matlab教程 测验：八度/ Matlab教程 编程分配：线性回归 第三周 视频：Logistic回归 测验：逻辑回归 视频：正则化 测验：正则化 编程分配：逻辑回归 第四周 视频：神经网络：表示 测验：神经网络：表示形式 编程作业：多类分类和神经网络 第五周 视频：神经网络：学习 测验：神经网络：学习 编程作业：神经网络学习 第六周 视频：应用机器学习的建议 测验：应用机器学习的建议 视频：编程分配：正则线性回归和偏差/方差 机器学习系统设计 测验：机器学习

图像矩阵matlab代码IRTPCA代码 matlab代码适用于论文``通过低秩核心矩阵改进的稳健张量主成分分析''。 您可以从中找到该论文。 tsvd的某些功能，您也可以参考。 图像来自伯克利细分数据集。 基于数据集的工作应引用以下文件： @InProceedings {MartinFTM01， 作者= {D。 马丁（Martin）和福克斯（C. Fowlkes）和塔尔（T. Tal）和马里克（J. Malik）}， title = {人类分割的自然图像数据库及其在评估分割算法和测量生态统计中的应用}， booktitle = {Proc。 第八届国际会议计算机视觉}， 年= {2001}， 月= {七月}， 音量= {2}， 页数= {416--423}} 这些视频来自信息通信研究所（I2R）和背景模型挑战数据集。 L. Li，W。Huang，IYH Gu和Q. Tian，“用于前景对象检测的复杂背景的统计建模”，《 IEEE Transactions on Image Processing》，第1卷。 13号11，第1459-72页，2004年。 A. Vacavant，T。Ch

主成分回归代码matlab及示例传统转学 这是传统迁移学习技术的演示。 实例加权方法 1. TrAdaboost。 参考号促进迁移学习， ICML 2007。
2.回归Tradaboost。 在分类的情况下，权重乘以coef.^(0 or 1). 在回归Tradaboost中，绝对误差被用作幂项。 3.实例加权内核岭回归 实例加权核岭回归， 参考： Jochen Garcke，重要性加权归纳迁移学习回归 在这种情况下，所有源域数据都被标记，目标域中的一小部分也被标记。 在这里，我们将此部分称为“辅助数据”。 其余目标域数据未标记，称为“测试数据”。 在此方法中，基于[源数据+辅助数据]计算源实例的权重（alpha），并将其应用于源实例。 源集有n个实例，辅助集有m个实例。 该方法包含3个步骤： 训练了内核岭回归（rbf内核）模型，并在源数据上进行了测试。 获得双重经济效率a（n * 1）。 此a用于计算权重alpha。 代替在每个实例上应用标量，这里作者使用一种rbf距离的形式： Alpha是变量，而不是w （x，y） 成本函数是加权误差，带有α上的调节项。 Alpha应该大

主成分分析（Principal Component Analysis，PCA）， 是一种统计方法。通过正交变换将一组可能存在相关性的变量转换为一组线性不相关的变量，转换后的这组变量叫主成分。