From d15b61d2ef31098a31ff7abca957afe38228152f Mon Sep 17 00:00:00 2001 From: admin Date: Tue, 10 Jun 2025 06:43:56 +0000 Subject: [PATCH] =?UTF-8?q?=E6=9B=B4=E6=96=B0=20=E6=9C=BA=E5=99=A8?= =?UTF-8?q?=E5=AD=A6=E4=B9=A0.md?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- 机器学习.md | 2 +- 1 file changed, 1 insertion(+), 1 deletion(-) diff --git a/机器学习.md b/机器学习.md index 68bc358..e68def4 100644 --- a/机器学习.md +++ b/机器学习.md @@ -105,7 +105,7 @@ - PCA异常值检验： - 方差得分：考察某异常点往各个主成分上投影的（加权除以$\lambda_i$）平方和。这里$\lambda_i$使得各个特征向量之间有可比性。也可以选择前r个或者在后r个特征上的得分。 - 重构误差:=前k个特征向量的重构误差的加权平均 -- 奇异值分解 (SVD)：$A_{m\times n}=U_{m\times m}\Sigma_{m\times n} V_{n\times n}^T$，这里U和V正交矩阵，$\Sigma=diag(1,...,1,0,...)$ +- 奇异值分解 (SVD)： $A_{m\times n}=U_{m\times m}\Sigma_{m\times n} V_{n\times n}^T$ ，这里U和V正交矩阵，$\Sigma=diag(1,...,1,0,...)$ - 紧奇异值分解 (compact singular value decomposition)等号；截断奇异值分解 (truncated singular value decomposition)约等于 - 线性判别分析(Linear Discriminant Analysis, LDA)是有监督的降维方法。思想是将每个类的样本点投影到低维超平面上使得类内方差最小，类外方差最大即使得降维后类间的分隔尽可能的大 - $S_w$类内散度矩阵 (within-class scatter matrix)(也就是样本协方差矩阵m × m):类内样本协方差矩阵，再对类求和