徐州建设工程材料检测预约网站网络公司经营范围包括哪些

徐州建设工程材料检测预约网站,网络公司经营范围包括哪些,奇人网站,快站app制作教程在矩阵论中#xff0c;可以这样去理解特征值和特征向量。一个矩阵由一个变换到另一个矩阵#xff0c;Aαλα#xff0c;其中α称为矩阵A的一个特征向量#xff0c;λ称为矩阵A的一个特征值。特征向量确定了矩阵变换的方向#xff0c;特征值确定了矩阵变换的比例。一个协方…在矩阵论中可以这样去理解特征值和特征向量。一个矩阵由一个变换到另一个矩阵Aαλα其中α称为矩阵A的一个特征向量λ称为矩阵A的一个特征值。特征向量确定了矩阵变换的方向特征值确定了矩阵变换的比例。一个协方差矩阵有着不同的特征值与特征向量最高特征值的对应的特征向量就是这个数据集的主成分。通常来说一旦协方差矩阵的特征值和特征向量被计算出来了之后就是按照特征值的大小从高到低依次排列。特征值的大小确定了主成分的重要性。主成分分析的基本原理是选择特征值较大的作为主成分从而进行降维。比如一开始数据集是N维的在进行了协方差矩阵的特征值计算后得到了N个特征值和与这些特征值相对应的特征向量。然后在主成分分析时选取了前N个较大的特征值如此一来就将原来N维的数据降维到只有P维。这样就起到了降维的效果了。算法流程1对所有的样本进行中心化处理满足均值为0的分布本步骤可选2计算样本的协方差矩阵XXT3对矩阵XXT进行特征值分解4取出最大的P个特征值对应的特征向量将所有的特征向量标准化后组成特征向量矩阵投影矩阵W5对样本集中每一个样本x(i)转化为新的样本优缺点优点可以有效降低数据的维度减少计算复杂度并可能帮助去除噪声和冗余信息。缺点降维过程中可能会丢失一部分信息特别是当去除的成分含有重要信息时。PCA原理介绍解释了特征值和特征向量的概念。说明了协方差矩阵的特征值和特征向量如何用于降维。PCA算法流程数据标准化可选计算协方差矩阵特征值分解选择前P个特征向量投影到新的特征空间输出降维后的数据集PCA优缺点优点降维、去除噪声、消除相关性。缺点可能丢失重要信息。代码实现导入必要的库numpy、cv2、matplotlib等。定义了图像矢量化函数。加载ORL人脸数据集并划分为训练集和测试集。实现了PCA降维函数。提供了图像对比和可视化函数。实现了人脸识别功能并进行了降维后的测试。主要功能使用PCA对人脸图像进行降维。通过降维后的数据进行人脸识别。提供了图像重建的对比可视化。可以发现降维后能大致保持人脸的轮廓但是丢失掉一些面部细节的信息可以看出来随着训练集的图片选取的不断增多训练准确率在不断增加。但是如果选择全部的10张图片作为训练样本的话可能会导致训练结果过拟合。