📄️ 案例10.1 视频教程
10.1.mp4 (19.52MB)
📄️ 案例10.6 视频教程
10.6.mp4 (16.77MB)题目：试使用MATLAB中的PCA函数对Yale人脸数据集进行降维，并观察前20个特征向量所对应的图像。步骤1：在“项目模板”中找到周志华习题，打开第十章降维与度量学习习题案例10.6，创建模板。步骤2：在“文件夹上传”模块上传文件夹，这里用到的是yale人脸数据集。Yale人脸数据集捡http：//vision.ucsd.edu/content/yale-face-database.步骤3：通过VS Code Python 组件来实现图片矩阵化，“参数设置”中勾选上“编辑”，在点击运行该节点，在操作中“编辑VS Code”，编写将图片矩阵化的代码。注意编写完之后要重新勾掉“编辑”选项，才可以运行程序。模板中将文件夹的信息转换成了一个CSV数据文件。因为矩阵化的图片再进行降维操作可以将矩阵拉伸为向量，再进行降维操作有更好的性能。步骤4：在全部组件列表中搜索“主成分分析PCA”组件，主要是使用数据的奇异值分解将线性位数减伤以将其投影到较地位空间。Ncomponents为要保留的组件数，未设置则是保留所有组件。默认是自动选择求解器。如果输入数据大于500*500，且需提取的组件数小于数据最小维度的80%，则启用效率更高的“随机化”方法。主成分分析是一种无监督的线性降维方法，监督线性降维方法最著名的是线性判别分析。特征字段设置为“0，1,2,3,4,5，6,7,8,9,10,11,12,13,14,15”。