核主成分分析(Kernel Principal Component Analysis, KPCA)
PCA方法假设从高维空间到低维空间的函数映射是线性的，但是在不少现实任务中，可能需要非线性映射才能找到合适的低维空间来降维。
非线性降维的额一种常用方法是基于核技巧对线性降维方法进行核化(kernelized)。这是对PCA的一种推广。
2020-01-03 11:16:27
7KB
1
作者：Vidal, René, Ma, Yi, Sastry, S.S. 2016年新书。据作者说：研究 unsupervised learning，从一百多年前的PCA讲到压缩感知，知识纵跨上百年。横跨代数几何，数理统计，高维数据处理，优化算法。而应用更涉及科学和工程各个领域，是数据科学的入门基础
2019-12-21 21:35:53
12.84MB
1
广义主成因分析，马毅教授的代表作，原版pdf，非影印版。
2019-12-21 20:17:56
11.93MB
1
PCA·1——主成分分析 . 主成分分析 ( Principal Component Analysis ， PCA )是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题
2019-12-21 19:37:11
8.6MB
1