画像の主成分分析(PCA)

今日この知識点に苦しめられたのは大変で、主な原因は多くのマトリクスに関する記憶がいくつかぼやけていることであり、いくつかのNumpyの関数はあまり理解されていないので、今この節に関する知識点をまとめて、皆さんの参考にしてください.まず、PCA PCAは非常に有用な次元ダウンテクニックであり、できるだけ少ない次元数を使用する前提で、できるだけ多くのトレーニングデータ情報を維持することができます.

from PIL import Image
from numpy import 
im=array(Image.open('test_pic/test.jpg'))

主な関数:shape:行列を計算するための次元説明:imは3次元関数であるため、得られた結果のフォーマットは(シート数、行数、列数)ps:フォーマットネットワークについては説明が少なく、テストによって得られた.mean():行列の平均値を求める説明:mean(array,axis=n)nは0,1,空に等しく、デフォルトで行列全体の平均値を求めることができ、0の場合、圧縮行は各列に対して平均値を求め、1の場合、列を圧縮し、各行に対して平均値を求める.dot():行列積、すなわち私たちが学んだ行列積を計算します.行列T:この行列の転置を求める.linalg.eigh():フィーチャー値とフィーチャーベクトルを求めます.補足数学知識点特徴値:f(λ)=|λE-A|=0 λを行ないます.フィーチャーベクトル:(λE-A)x=0 xが特徴ベクトルであり、全ての特徴ベクトルが特徴ベクトル空間である.期待値:各試験で生じる可能性のある結果とその確率の積の和.コンセプトデータの中心化:行列から平均値を減算