pca算法实例,pca算法的定义

　　线性分类：

　　如果所有要分类的数据都是线性可分的，那么直线f(x )=ax b是可以分的。这种方法叫做线性分类器，线性分类器的学习目标是在N维数据空间中寻找超平面。也就是说，数据并不总是二维的。比如三维超平面就是一个平面。其实无数超平面都可以分割数据，但是一定要选择最好的分割。

　　它有最大间隔分类器，简称MMH，分类一个数据点。超平面和数据点之间的“间隔”越大，分类的置信度就越大。因此，为了尽可能提高分类的置信度，需要使选择的超平面最大化这个“区间”的值。

　　核函数：当是非线性分类即线性不可分的时候，需要转换高纬度，核函数就是先在低维上进行计算，将实质上的分类效果反映在高维上，避免了直接在高维上进行的复杂计算。

　　几种常用核函数：

　　h次多项式核)。

　　冷月光径向基函数核)))))))。

　　s形核函数(Sigmoid函数核))。

　　图像分类通常使用冷月的径向基函数。由于分类平滑，文本不适合冷月径向基函数。没有标准答案。请尝试各种核函数，以准确率来判断。

　　Python代码实现：

　　1.模块部署

　　2.使用正态分布获得数字

　　3.得到超平面d(z )=wx b，w，斜率a。

　　4.画一条线，以便找到与该点相切的线

郑重声明：本文由网友发布，不代表盛行IT的观点，版权归原作者所有，仅为传播更多信息之目的，如有侵权请联系，我们将第一时间修改或删除，多谢。