当前位置:   article > 正文

PAC_pac归一化

pac归一化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
将所有得点从二维降到一维数据:

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
所有的点更加趋近原来点间的分布情况,这些样本点映射到X轴和Y轴的距离多非常的大,这样他们的区分度会更加的明显。如何找到样本间间距最大的轴呢?
在这里插入图片描述
使用一个什么样的指标来定义样本间的间距呢?-----答:方差。
方差:描述样本分布疏密的一个指标。方差越大代表样本间越稀疏,方差越小,代表样本间越紧密。
在这里插入图片描述

在这里插入图片描述
问题:找到一个轴,使得样本空间的所有点映射到这个轴后,方差最大?
答:第一步:将样例的均值归零。
即将所有的样本多减去这批样本整体的均值。
原图:
在这里插入图片描述
样本归0后:即移动坐标轴。使得每一个样本在每一个维度均值为0.

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
主成分分析法即变成求目标函数最大值的问题了:这里采用梯度上升法求解(搜索的方法)。
在这里插入图片描述
主成分分析法和线性回归的区别:
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

求数据的主成分

代码部分

import numpy as np
import matplotlib.pyplot as plt

X = np.empty((100, 2))
X[:,0] = np.random.uniform(0., 100., size=100)
X[:,1] = 0.75 * X[:,0] + 3. +np.random.normal(0, 10., size=100)
plt.scatter(X[:,0],X[:,1])
plt.show()

# 对数据进行demean(归一化)
def demean(X):
    # 相当于对X这个矩阵在行(axis=0)这个方向上求一个均值,最终求得的结果是每一列的均值。
    return X - np.mean(X, axis=0)
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
'
运行

在这里插入图片描述
在这里插入图片描述

使用数据归零化

在这里插入图片描述

import numpy as np
import matplotlib.pyplot as plt

X = np.empty((100, 2))
X[:,0] = np.random.uniform(0., 100., size=100)
X[:,1] = 0.75 * X[:,0] + 3. +np.random.normal(0, 10., size=100)
plt.scatter(X[:,0],X[:,1])

plt.show()

# 对数据进行demean(归一化)
def demean(X):
    # 相当于对X这个矩阵在行(axis=0)这个方向上求一个均值,最终求得的结果是每一列的均值。
    return X - np.mean(X, axis=0)
def demean(X):
    return X - np.mean(X,axis=0)
X_demean = demean(X)
plt.scatter(X_demean[:,0],X_demean[:,1])
plt.show()

def f(w,x):
    return np.sum((x.dot(w)**2))/len(x)
def df_math(w,x):
    return x.T.dot(X.dot(w))*2./len(x)
def df_debug(w, X,epsilon=0.0001):
    res = np.empty(len(w))
    for i in range(len(w)):
        w_1 = w.copy()
        w_1[i] += epsilon
        w_2 =c.copy()
        w_2[i] -=epsilon
        res[i] = (f(w_1,X) - f(w_2,X))/(2 * epsilon)
        return res
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
'
运行
声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/黑客灵魂/article/detail/868718
推荐阅读
相关标签
  

闽ICP备14008679号