问题标签 [principal-components]

我目前正在尝试基于一个 8 位矩阵来识别一个字符，该矩阵是我在程序中提取的一个标签周围的（我称这个矩阵为“tag_character”，下面是一个“D”字符的示例图像）。

因为我需要分类对旋转保持不变，所以我推荐了 PCA 作为一种潜在的技术，但是我在如何使用它时遇到了一点困难。工作代码如下：

所以现在我有了这个职位，我不确定如何使用它来真正唯一地标识每个标签。顺便说一句，我正在遍历每个轮廓，然后对它们进行分类，因此 PCA 正在为每个标签单独运行。

我需要计算两个价格之间的回归贝塔：

1. 没有拦截
2. 使用总最小二乘估计

在 R 中有prcomp执行它的功能。之后，我如何提取测试版？

代码是

在代码中展示了如何使用拦截执行 TLS 回归。我试图在没有拦截的情况下执行相同的操作。在使用lm函数时，添加+0允许在没有截距的情况下执行回归，我怎么能对prcomp函数做同样的事情？

我只是想知道如何在使用 PCR 回归后访问解释的变异百分比和交叉验证的测试错误。我查看了 summary.mvr 的文档，但我想我一定遗漏了一些东西。有没有简单的方法来做到这一点？例如：

我只想访问为预测变量和犯罪解释解释的变化百分比。是否有捷径可寻？

谢谢你的帮助！

文森特

我正在使用包中的principal()函数psych在 R 中复制 SPSS 主成分分析结果。（如以下建议所述：https ://stats.stackexchange.com/questions/612/is-pca-followed-by-a-rotation-eg-varimax -still-pca )

我正在使用下面的代码：

但我收到以下错误：

任何建议将不胜感激。我在dput(ws)下面附上了我的数据样本（by）。太感谢了！

使用有序梯度直方图(HoG) 我计算了 15 个样本图像的特征。这些样本生成的特征向量非常大（即占用大量内存）。

为了减少这些特征向量，我使用了主成分分析（PCA）。这是我正在使用的OpenCV代码：

在 imageT 矩阵中，行数 = 否。样品编号 列数 = 没有。特征 假设 15 张图像
，imageT 的行数为 15，没有。列数为 57400

应用 PCA 后我想要 300 个特征；它给了我不到 15 个功能。我需要帮助。

也可以看看

• OpenCV 文档：PCA
• 有序梯度的维基百科直方图
• 维基百科：主成分分析
• 定向梯度直方图的选择特征用于行人检测
• 用于姿态检测的 HOG 特征的内核 PCA

So in Matlab I perform PCA on handwritten digits. Essentially, I have say 30*30 dimensional pictures, i.e. 900 pixels, and I consider after PCA the components which capture most of the variance, say the first 80 principal components(PC) based on some threshold. Now these 80 PCs are also of 900 dimension, and when i plot these using imshow, I get some images, like something looking like a 0, 6, 3, 5 etc. What is the interpretation of these first few of the PCs (out of the 80 I extracted)?

我有一个图像。我需要确定图像方差最小的轴。一些阅读和搜索使我得出结论，主成分分析（PCA）是最好的选择。任何人都可以帮助我根据其主轴定位图像吗？由于我最近被介绍给 matlab，我发现它有点困难。图像示例如下。我正在尝试旋转图像以便生成直方图。

我还没有使用 PCA，因为我当前的代码如下所示

我试图重现此处 ( PCA-tutorial ) 上的 PCA 教程的结果，但我遇到了一些问题。

1. 据我了解，我正在按照应有的方式应用 PCA。但是我的结果与教程中的结果不相似（或者它们可能是并且我无法正确解释它们？）。使用 n_components=4 我获得以下图表n_components4。我可能在某个地方遗漏了一些东西，我还添加了到目前为止的代码。

2. 我的第二个问题是关于注释图中的点，我有标签，我希望每个点都得到相应的标签。我已经尝试了一些东西，但到目前为止没有成功。

我还添加了数据集，我将其保存为 CSV：

,奶酪,胴体肉,其他肉类,鱼,脂肪和油,糖,新鲜土豆,新鲜蔬菜,其他蔬菜,加工土豆,加工蔬菜,新鲜水果,谷物,饮料,软饮料,酒精饮料,糖果英格兰,105,245,685,147,193,156,720,253,488,198,360, 1102,1472,57,1374,375,54 Wales,103,227,803,160,235,175,874,265,570,203,365,1137,1582,73,1256,475,64 Scotland,103,242,750,122,184,147,566,171,418,220,337,957,1462,53,1572,458,62 NIreland,66,267,586,93,209,139,1033,143,355,187,334,674,1494 ,47,1506,135,41

那么对这些问题中的任何一个有什么想法吗？

`

`

我正在使用 openCV 中的主成分分析 ( PCA )。我感兴趣的案例的构造函数输入是：

关于 InputArray '数据'，文档说明适当的标志应该是：

CV_PCA_DATA_AS_ROW表示输入样本存储为矩阵行。 CV_PCA_DATA_AS_COL表示输入样本存储为矩阵列。

我的问题与“样本”一词的使用有关，因为我不确定在这种情况下样本是什么。

例如，假设我有4组数据，为了便于说明，我们将它们标记为 AD。现在每个集合 A 到 D 都有8个元素。然后将它们设置在我将用作 InputArray 的 Mat 变量中，如下所示：

问题是，它是什么：

• 我的套装是样品吗？
• 我的数据元素是样本？

另一种提问方式：

• 我有 4 个样本吗 (CV_PCA_DATA_AS_COL)
• 还是我有 4 组 8 个样本 (CV_PCA_DATA_AS_ROW)

?

作为一种猜测，我会选择CV_PCA_DATA_AS_COL （即我有 4 个样本）——但这正是我的头脑所在……在我学会正确的术语之前，“样本”这个词似乎可以适用于任何一种推理。

我正在处理一个相对较大的数据集（仅使用其中的 1/32，但这个子集大约为 50000x9000）。为了对此进行分析，我采取了几个步骤来降低维度，以便我可以应用某种聚类算法。

看看下面的数据框：

每行代表一个人，每个变量表示该人表现出这种品质的频率。假设我使用 princomp() 对此进行主成分分析，并收集前四个 pc 用于 k 均值。

由此我可以推断出哪些集群表现出哪些主成分的高值，我可以在其中使用负载来查看每个主成分的一般度量。但是，我想最终将这些信息与我的原始数据集联系起来。有没有一种方法可以将原始数据中的每个人聚类到从主成分分析的 k 均值创建的聚类中？还是我误解了 PCA 的概念。