思路超清晰的PCA算法讲解笔记

机器学习课程设计—PCA降维算法实践，内含源码及报告(包括应用实例)

PCA降维算法总结以及matlab实现PCA(个人的一点理解) - New begin, new .pdf 在进行图像的特征提取的过程中，提取的特征维数太多经常会导致特征匹配时过于复杂，消耗系统资源，不得不采用特征降维的方法。所谓特征降维，即采用一个低纬度的特征来表示高纬度。特征降维一般有两类方法：特征选择和特征抽取。特征选择即从高纬度的特征中选择其中的一个子集来作为新的特征；而特征抽取是指将高纬度的特征经过某个函数映射至低纬度作为新的特征。常用的特征抽取方法就是PCA。下面着重介绍PCA。

降维算法KPCA 的matlab版

本代码提供了基于python sklearn库的LDA线性判别分析算法： 1.利用伪随机数生成测试数据，无需添加新样本 2.较详细地介绍了库函数各参数的含义

无监督学习 概述 该存储库运行集群和降维技术。 运行的两种聚类算法是K均值和期望最大化。 运行的4维降维算法是主成分分析（PCA），独立成分分析（ICA），随机投影（RP）和递归特征消除（RFE）。 该存储库运行以下内容并捕获性能： 运行两种聚类算法 运行降维，然后进行聚类算法 降维和聚类算法的神经网络 数据集是来自UCI机器学习存储库的Adult和Wine数据集。 运行步骤 需要Python 3.6 从requirements.txt安装以下要求 使用python 3运行以下文件以创建数据文件 run_experiment.py UnSupervisedLearning_abalone.py UnSupervisedLearning_white_wine_quality.py 获得的结果 有关获得的结果的更多信息，请参考Analysis.pdf。

特征提取数据降维PCA、LDA、MDS、LLE、TSNE等降维算法的python实现

分类介绍了目前具有代表性的数据降维方法，重点阐述了一种新的数据降维方法 － 压缩感 知，在此基础上，分析了各种数据降维算法的优缺点，并对数据降维研究中存在的问题进行了剖析．

本程序利用KPCA来对原始数据进行降维，里面有较为详细的注解，能够帮助大家理解，程序比较精简，是在前人的基础上进行的修改后的结果，运行绝对无错误。

本资源包含python实现的LDA和PCA数据降维算法，包含测试数据，下载后直接使用。供学习参考