推 wudollar:已回信，請查收，另我找出了PCA我這領域的聖經..... 11/27 10:03
→ wudollar:Preisendorfer & Mobley(1988), Principal Component Ana 11/27 10:05
→ wudollar:lysis in Meteorology and Oceanography 11/27 10:06
感謝您的建議
這裡PCA的確是主成分分析沒錯
而PCA的資料前處理的確是為去除中心軌道,所以執行centering(中心化)
也就是只扣除平均值
不過我所看到的國外paper"幾乎"都一致提到,需要將資料標準化
我也曾單純只想將資料中心化,然後執行PCA
就算該行所有的值都是0,也不會產生分母為0的問題
但作者的操作過程是這樣寫
心想沒道理不能照著做
但做了還真的產生問題
另外..您後面PCA code的部份能多解釋一點嗎
感謝賜教
謝謝
※ 引述《wudollar (~每天一ㄍ心希望~)》之銘言：
: ※ 引述《rauf6620 (亂入)》之銘言：
: : 若A為一M*N矩陣
: : 假設為 5 4 1 0 2 0
: : 5 3 0 0 1 0
: : 5 4 2 0 3 0
: : 5 3 1 0 4 0
: : -------------
: : mean
: : std
: : 執行PCA前,為去除單位,所以皆會將資料先予以標準化(對行執行)
: 這裡我有問題～！！
: 應該是說：我不知道，或者我不懂...
: PCA是所謂的Principal Component Analysis? 是嘛？
: 如果不是，請略過我以下所有的鬼話 @@b
: PCA 似乎在數學定義上面，沒有需要在處理PCA前需要去除單位，
: 或者正規化（normalization）吧？
: 僅僅是因為想看變化（anomaly）所以去平均值（de-mean），
: 換句話說是看變異數（variance）分佈以及大小吧？（使用SVD 或者 Eigen..）
: 所以似乎沒有在之前需要之前就需要正規化處理吧？
: 另，如果是真要有正規化處理，那是當妳生成PC（principal component）
: 以及Pattern（e.g. eigenvectors），在需要量化強度，
: 以及給予PC單位時所做的簡單換算吧？
: PC = PC*std(Pattern), Pattern = Pattern/std(Pattern)
: Matrix = PC * Pattern; when （PC = Matrix * Pattern）
: ------------------------------------------------------------------------------
: 這樣子的話，『我自以為』妳的問題似乎就沒有了，不是嗎？
--
※ 發信站: 批踢踢實業坊(ptt.cc)
◆ From: 163.17.12.231