numpy复现pca降维算法内含数据集

包含源码、实验报告、图片数据 机器学习PCA降维的实现，对人脸数据降维

这是一个本人博客教学中使用到的，数据集，是关于使用python进行pca综合评价指标计算使用的数据集。

PCA降维技术

无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）算法、LDA算法等。 1.2. Python库 ：sklearn.decomposution； 2. 主成分分析( PCA )降维算法 1 主成分分析：主成分分析( Principal Component Analysis, PCA )是最常用的一种降维方法，通常用于高维数据集的探索与 可视化，还可以用作数据压缩和预处理等。PCA可以把具有相关性的高维变量合成为线性无关的低维变

基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。

人脸识别仿真,提取ORL人脸数据库的协方差矩阵S的特征值和特征向量,通过PCA降维后人脸识别+含代码操作演示视频 运行注意事项：使用matlab2021a或者更高版本测试，运行里面的Runme.m文件，不要直接运行子函数文件。运行时注意matlab左侧的当前文件夹窗口必须是当前工程所在路径。具体可观看提供的操作录像视频跟着操作。

fastPCA降维实现，把原先的n个特征用数目更少的m个特征取代，新特征是旧特征的线性组合，这些线性组合最大化样本方差，尽量使新的m个特征互不相关。从旧特征到新特征的映射捕获数据中的固有变异性,已通过测试可以使用。

利用pca将得到的高维特征向量集进行降维，注意看里面的注解，看到降维后的主分量就是你要的东西。可以运行，麻烦好评。谢谢

本代码在MATLAB平台实现，可用于快速PCA降维。所谓快速，就是在计算特征值、特征向量时先求解低维矩阵的特征值、特征向量，再根据数学原理还原回实际解的过程。