PCA（principal component analysis）主成分分析降维和KPCA（kernel principal component analysis）核
Posted Data+Science+Insight
tags:
篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了PCA（principal component analysis）主成分分析降维和KPCA（kernel principal component analysis）核相关的知识，希望对你有一定的参考价值。
PCA（principal component analysis）主成分分析降维和KPCA（kernel principal component analysis）核主成分分析降维方法详解及实战
PCA的思想是将n维特征映射到k维上（k<n），这k维是全新的正交特征。这k维特征称为主元，是重新构造出来的k维特征，而不是简单地从n维特征中去除其余n-k维特征。也达到了降维的目的。
PCA是从特征方向去降维，而SVD从特征和实例两个方向降维。
KernelPCA是PCA的一个改进版，它将非线性可分的数据转换到一个适合对齐进行线性分类的新的低维子空间上，核PCA可以通过非线性映射将数据转换到一个高维空间中，在高维空间中使用PCA将其映射到另一个低维空间中，并通过线性分类器对样本进行划分。 核函数是通过两个向量点积来度量向量间相似度的函数。常用函数有：多项式核、双曲正切核、径向基和函数（RBF）等。
以上是关于PCA（principal component analysis）主成分分析降维和KPCA（kernel principal component analysis）核的主要内容，如果未能解决你的问题，请参考以下文章
PCA（principal component analysis）主成分分析降维和KPCA（kernel principal component analysis）核
主成分分析（principal components analysis, PCA）
主成分分析（Principal Component Analysis，PCA）与因子分析（factor analysis）
Principal component analysis（PCA）-- 主成分分析2.0