2-1-4 ماتریس کوواریانس:
به یاد داریم کوورایانس همیشه بین دو بعد اندازه گیری می شود. اگر مجموعه اطلاعاتی با بیش از دو بعد داشته باشیم، بیش از یک کوورایانس وجود دارد که می توان محاسبه کرد.
برای مثال در یک مجموعه اطلاعات در سه بعد (X,Y,Z) شما می توانید cov(X,Y)، cov(X,Z) ، cov(Y,Z)را حساب کنید.
ادامه مطلب
1- مقدمه:
در این نوشتار قصد داریم به معرفی آنالیز اجزا اصلی (Principal components analysis) به پردازیم. آنالیز اجزا اصلی (pca) یک تکنیک مفید آماری است که کاربرد آن در زمینه های از قبیل : تشخیص چهره،فشرده سازی تصویر و یک تکنیک رایج برای شناسایی یک نمونه در داده های از بعد بالا است.
این تبدیل که با اسامی دیگری چون هتلینگ(Hostelling Transform)، کارهانن-لو(Karhunen-Live Transform(KLT)) و بردار های ویژه نیز شناخته می شود،تبدیل بهینه در کارهای فشرده سازی و کاهش بعد است و خطای میانگین مربعات حاصل از فشرده سازی را کمینه می کند. هر چند این تبدیل به علت وابسته بودن به داده ورودی، جای خود را در الگوریتم های کاربردی و عملی، به تبدیل گسسته کسینوسی(Discret Cosine Transform(DCT)) داده است اما در صورت کافی بودن داده ورودی می تواند تبدیل بهینه را استخراج نماید.
آنالیز اجزای اصلی یک روش اختیاری چند منغیری است. اگر ما در جایی مجبور هستیم مهم ترین متغیر را یا یک تعداد محدودی از متغیر ها را دریک مجموعه انتخاب کنیم از آنالیز اجزای اصلی کمک می گیریم .
ادامه مطلب
مهندسی برق(الکترونیک) و فیزیک
