我使用奇异值分解(SVD)进行图像的主成分分析(PCA)。在
我有17张20 X 20的照片
所以我创建了图像矩阵
M = dim(400 X 17)
当我应用SVD(M=u@d@v)时,它给了我
^{pr2}$
但是我想找到u = dim(400 X 400)
和{}和{},因为有400个特征向量和400个特征值。在
我甚至试过换位,但没有成功
我知道问题的标题可能不太清楚,所以请随意更改,下面是一些与数据相关的信息
我通过减去平均面来集中数据
我试图通过寻找协方差矩阵(MM')的特征向量来解决问题,但当我试图显示PCA1时,它只显示一个黑色图像
请帮帮我
Tags:
矩形矩阵的特征值没有定义,但奇异值是相关的。对于特征向量,您总是有一组跨越列和行空间的左右特征向量。在
SVD与}的特征值分解有关
MM'
和{M'M = V (S'S) V'
MM' = U (SS') U'
现在
V
的列是M'M
的特征向量,在您的例子中它的大小是(17 x 17)
。因此V
是{U
的列是MM'
的特征向量,在您的例子中它的大小是(400 x 400)
。因此U
是{现在}的非零特征值的平方根。因此,在第二个例子中,这两个非cdw}集可以是M = USV'这一事实相一致?我们用17个非零特征值的平方根建立一个rectangular diagonal matrix
S
的大小是多少?S
(奇异值)的非零元素是M'M
和{(400 x 17)
。在您可以从
scipy
使用SVD:这给了我
^{pr2}$要使您的
S
到(400 x 17)
:检查SVD的正确性:
低秩矩阵逼近
有时你想用一个低秩
M_tilde
近似你的矩阵M
,在这种情况下,如果你想最小化这两者之间的Frobenius范数,你只需保持r
最大的奇异值(Eckhart-Young定理)。U, S, V
的大小变成:(400 x r), (r x r), (r x 17)
,其中S
是对角线。在我不知道您使用的是哪个函数,但实际情况是这样的:零单数值被丢弃,因为
(m x n)
矩阵最多可以有min(m, n)
(在您的例子中是17)。在相关问题 更多 >
编程相关推荐