电子科技大学：《模式识别 Pattern Recognition》课程教学资源（课件讲稿）第七章 特征变换

第七章特征变换 966 特征选择 口从D个原始特征中，选择其中的d个特征。保持了 原有特征的物理含义 特征变换 对D个原始特征进行一定的数学变换，得到d组新 特征，往往不具有原始特征对应的物理含义

第七章 特征变换  特征选择  从D个原始特征中，选择其中的d个特征。保持了 原有特征的物理含义  特征变换  对D个原始特征进行一定的数学变换，得到d组新 特征，往往不具有原始特征对应的物理含义

/96 天=(x,x2,…,xn)→ =(,2,…,ya),d≤n 变换)=W”龙 原始特征 二次特征 W=Wx为特征提取矩阵或变换矩阵

变换 T y W x   W  Wnd为特征提取矩阵或变换矩阵 1 2 ( , , , )T n x x x x   1 2 ( , , , ) , T d y y y y d n     原始特征 二次特征

纷 /96 主成分分析PCA)

主成分分析(PCA)

/96 在模式识别中，一个常见的问题就是特征 选择或特征提取，理论上我们要选择与原始数 据空间相同的维数。但是，为了简化计算，设 计一种变换使得数据集由维数较少的“有效” 特征来表示。 找出数据中最“主要”的元素和结构，去 除噪音和冗余，将原有的复杂数据降维，揭示 隐藏在复杂数据背后的简单结构

在模式识别中，一个常见的问题就是特征 选择或特征提取，理论上我们要选择与原始数 据空间相同的维数。但是，为了简化计算，设 计一种变换使得数据集由维数较少的“有效” 特征来表示。 找出数据中最“主要”的元素和结构，去 除噪音和冗余，将原有的复杂数据降维，揭示 隐藏在复杂数据背后的简单结构

/956 X2 C S ● ● ● ● ● ● X

• 2 x 1 x C1 C2 • • • •••• • • • • • • • • • • • • • • • • • • • • • • • • • • • • •

J966 PCA的优点是简单，而且无参数限制，可以方便 的应用与各个场合。 因此应用极其广泛，从神经科学到计算机图形学 都有它的用武之地。被誉为应用线性代数最有价 值的结果之一

PCA的优点是简单，而且无参数限制，可以方便 的应用与各个场合。 因此应用极其广泛，从神经科学到计算机图形学 都有它的用武之地。被誉为应用线性代数最有价 值的结果之一

966 在PCA中，我们感兴趣的是找到一个从原d维输 入空间到新的k维空间的具有最小信息损失的 映射。 X在方向w上的投影为： z=w"x

在PCA中，我们感兴趣的是找到一个从原d维输 入空间到新的k维空间的具有最小信息损失的 映射。 X在方向w上的投影为：

主成分的定义及导出 /966 设x=(x,2,,xn)/为一个n维随机向量，Co(x)=∑ 主成分z,是这样的，样本投影到21上之后被广泛散布， 使得样本之间的差别变得最明显，即最大化方差。 设31=wx 希望在约束条件 w=1下寻求向量%， 使 var(3)=w∑w最大化

主成分的定义及导出 设 为一个n维随机向量， 主成分 是这样的，样本投影到 上之后被广泛散布， 使得样本之间的差别变得最明显，即最大化方差。 设 希望在约束条件 下寻求向量 ， 使 最大化 1 2 ( , ,..., )T n x x x x  Cov x( )   1 z 1z 1 1 T z w x  1 w 1 w1 var 1 1 1  T z w w  

J966 写成拉格朗日问题 maxw∑w,-(ww,-1) (1) 91 现在关于州求导并令其等于0，得到 2∑W-2aw=0→∑w=Q4 如果%是∑的特征向量，是对应的 特征值，则上式是成立的

写成拉格朗日问题 现在关于 求导并令其等于0，得到 如果 是 的特征向量， 是对应的 特征值，则上式是成立的 max ( 1) (1) 1 1 1 1 1 w  w  w w  T T w  w1 1 1 1 1 2 w  2w  0   w w w1  

/96 同时我们还得到 w∑W=cww=C 为了使方差最大，选择具有最大特征值 的特征向量，因此，第一个主成分 是输入样本协方差阵的具有最大特征值 对应的特征向量

同时我们还得到 为了使方差最大，选择具有最大特征值 的特征向量 ，因此，第一个主成分 是输入样本协方差阵的具有最大特征值 对应的特征向量