问题标签 [pca]

我想使用主成分分析（PCA）进行降维。numpy 或 scipy 是否已经拥有它，还是我必须自己使用numpy.linalg.eigh？

我不只是想使用奇异值分解 (SVD)，因为我的输入数据是相当高维的（~460 维），所以我认为 SVD 会比计算协方差矩阵的特征向量慢。

我希望找到一个预制的、经过调试的实现，它已经为何时使用哪种方法做出了正确的决定，并且可能会进行我不知道的其他优化。

我试图在 R 中进行主成分分析。我相信有两种方法可以做到这一点。一种是立即进行主成分分析，另一种方法是首先使用 s = scale(m) 标准化矩阵，然后应用主成分分析。
我如何判断哪个结果更好？我应该特别关注哪些价值观。我已经设法找到 eigenvalues 和 eigenvectors ，使用这两种方法的每个特征向量的方差比例。

我注意到没有标准化的第一个 pca 的方差比例具有更大的值。它有什么意义吗？不总是这样吗？

最后，如果我应该预测一个变量，即权重，我应该在进行主成分分析时从我的数据矩阵中删除变量，即权重吗？

假设我有一个数据矩阵 d

那么这应该适合线性回归模型吧？

但后来我得到这个错误：

我想那里有一个包可以自动执行此操作，但这也应该有效吗？

我注意到 R 中有一些东西，比如pc将 PCA 应用于数据矩阵的结果，并且 pc$x是我的样本主成分矩阵。

当 try 时plot(pc$x)，它只会绘制第一个主成分 ( pc1) 与第二个 ( pc2)，但我实际上有超过 2 个主成分。我如何显示所有这些？

我对主成分和因子分析有一些疑问。

对于PCA，特征值是从协方差矩阵还是相关矩阵É计算的重要吗？FA呢，如果我使用协方差或相关矩阵É，特征值的结果是否相同

在 Matlab 中执行 SVM 训练后，如何可视化 SVM 分类？

到目前为止，我只训练了 SVM：

我正在尝试使用已标准化的PCA对我的数据应用 PCA。princomp(x)

数据是<16 x 1036800 double>。这运行了我们的内存，这也是意料之中的，除了这是一台新计算机，这台计算机拥有 24GB 的 RAM 用于数据挖掘。MATLAB 甚至在内存检查中列出了可用的 24GB。

MATLAB 在执行 PCA 时实际上是否内存不足，或者 MATLAB 是否没有充分利用 RAM？任何信息或想法都会有所帮助。（我可能需要增加虚拟内存，但假设 24GB 就足够了。）

我可以知道 C++ 还是 PHP 在运行 PCA（主成分分析）方面更有效？

我正在开发一个基于 Web 的系统，该系统使用 php 获取上传的图像，然后处理图像，以便我可以使用 PCA 分析图像，以确定图像是否与已存储在数据库中的另一个图像匹配。

但我想知道使用哪种语言（C++ 或 PHP 或任何其他更好的替代方案）以获得更好的性能来完成PCA任务。

tq~

有人可以确认或更正这个用于计算第一个主成分的维基百科算法吗？我想要一个简单的 D 中 PCA 实现，它没有任何现有的 PCA AFAIK 库。我已经尝试过实现这一点，但我在简单示例上的结果似乎与我从 R 或 Octave 获得的内容不匹配。我很确定这不是一个实现错误，因为我已经多次检查了我的实现，甚至从头开始重写它，这是一个非常简单的算法。

我有一个在 100 维空间中有 500,000 个点的数据库，我想找到最接近的 2 个点。我该怎么做？

更新：空间是欧几里得，对不起。并感谢所有的答案。顺便说一句，这不是家庭作业。