假设原始数据个数为n，原始数据维数为d，降维后的维数为l，下面对主成分分析算法描述不正确的是（
主成分分析学习得到了l个d维大小的向量，这l个d维向量之间彼此相关
举一反三
- LDA(线性区别分析)与PCA（主成分分析）均是降维的方法，下面描述不正确的是（ ） A: PCA对高维数据降维后的维数是与原始数据特征维度相关（与数据类别标签无关） B: LDA降维后所得到维度是与数据样本的类别个数K有关（与数据本身维度无关） C: 假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K−1 D: PCA和LDA均是基于监督学习的降维方法
- 降维后的数据一般保留了原始数据的（ ）的重要信息。
- 下面对特征人脸算法描述不正确的是（ ） A: 特征人脸算法是一种应用主成分分析来实现人脸图像降维的方法 B: 特征人脸方法是用一种称为“特征人脸”的特征向量按照线性组合形式来表达每一张原始人脸图像 C: 每一个特征人脸的维数与原始人脸的维数一样大 D: 特征人脸之间的相关度要尽可能大
- 下面对主成分分析的描述不正确的是（ ） A: 主成份分析是一种特征降维方法 B: 主成分分析可保证原始高维样本数据被投影映射后，其方差保持最大 C: 在主成分分析中，将数据向方差最大方向进行投影，可使得数据所蕴含信息没有丢失，以便在后续处理过程中各个数据“彰显个性” D: 在主成分分析中，所得低维数据中每一维度之间具有极大相关度
- 下面对特征人脸算法描述不正确的是（ ） A: 特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法 B: 特征人脸方法是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像 C: 每一个特征人脸的维数与原始人脸图像的维数一样大 D: 特征人脸之间的相关度要尽可能大
内容
- 0
下面对主成分分析和特征人脸描述不正确的是（ ） A: 主成份分析方法是一种保证数据被投影后方差最大的特征降维方法 B: 在主成份分析的降维过程中，尽可能将数据向方差最大方向进行投影，使得数据所蕴含信息没有丢失，彰显个性 C: 特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法，其本质是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像，进而实现人脸识别 D: 假设原始灰度人脸图像维度是n*n，则特征人脸的维度是其一半
- 1
假设样本数大于维数，利用PCA技术，可以把N维数据降到：
- 2
主成分分析方法只是一种数据降维的方法
- 3
主成分分析技术（ ） A: 主成分受到原始变量量纲和量级的影响 B: 主成分不受原始变量量纲和量级的影响 C: 可以对样品降维 D: 可以对变量降维 E: 主成分之间互不相关
- 4
主成分分析的步骤是（ ）。 A: 中心化数据集-计算主成分矩阵-计算协方差矩阵-计算特征根-得到降维后的数据集 B: 中心化数据集-计算协方差矩阵-计算特征根-计算主成分矩阵-得到降维后的数据集 C: 计算协方差矩阵-计算主成分矩阵-计算特征根-中心化数据集-得到降维后的数据集 D: 计算协方差矩阵-计算特征根-中心化数据集-计算主成分矩阵-得到降维后的数据集