东方耀AI技术分享

标题: 19、梯度上升法求解PCA第一主成分Demo [打印本页]

---

作者: 东方耀    时间: 2019-10-12 10:29
标题: 19、梯度上升法求解PCA第一主成分Demo
19、梯度上升法求解PCA第一主成分Demo


求解PCA的步骤：
A、样本的每个特征各自去均值demean
B、梯度上升法求PCA
1、定义目标函数F(x)
2、定义计算梯度的函数(数学公式法 梯度调试法)
3、迭代的过程 搜索优化

1. def direction(w):
   
2.     # 将w变成单位向量 方向向量
   
3.     # np.linalg.norm(w) 求向量的模
   
4.     return w / np.linalg.norm(w)
   
5. def gradient_ascent(df, X, initial_w, learn_rate, n_iters, epsilon = 1e-8):
   
6.     w = direction(initial_w)
   
7.     for step in range(n_iters):
   
8.         last_w = w
   
9.         w = w + learn_rate * df(w, X)
   
10.         # 注意：pca求解时 需要变为单位向量
    
11.         w = direction(w)
    
12.         if(abs(f(last_w, X) - f(w, X)) < epsilon):
    
13.             break
    
14.     return step, w

复制代码

注意点：
1、梯度调试法的epsilon要小很多：因为pca中w是单位向量 本身模为1的 w的每一个维度都很小
2、将w变成单位向量 方向向量 np.linalg.norm(w) 求向量的模
3、initial_w代表方向向量 不能为0向量的
4、不能使用数据归一化（均值方差归一化）因为pca本身是让降维后的样本方差最大的 实际上做了一半（让均值为0）


ipynb文件在附件，可提供下载！


视频教程请参考：http://www.ai111.vip/thread-349-1-1.html
东方老师微信：dfy_88888

---

作者: fglbee    时间: 2019-12-22 17:01
this is good idea

---

作者: kiko    时间: 2022-11-6 10:37
学习中，支持

---

欢迎光临 东方耀AI技术分享 (http://www.ai111.vip/)

Powered by Discuz! X3.4