Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 10 vistas

    Tema 9 PCA

    Cargado por

    gavino jose flores chipana
    Este documento describe el análisis de componentes principales y cómo representar datos de alta dimensionalidad en un espacio vectorial de menor dimensión. Explica cómo calcular los vectores y valores propios de máxima varianza para proyectar los datos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Tema 9 PCA

    Cargado por

    gavino jose flores chipana
    10 vistas13 páginas
    Este documento describe el análisis de componentes principales y cómo representar datos de alta dimensionalidad en un espacio vectorial de menor dimensión. Explica cómo calcular los vectores y valores propios de máxima varianza para proyectar los datos.

    Título original

    Tema_9_PCA

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento describe el análisis de componentes principales y cómo representar datos de alta dimensionalidad en un espacio vectorial de menor dimensión. Explica cómo calcular los vectores y valores propios de máxima varianza para proyectar los datos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    10 vistas13 páginas

    Tema 9 PCA

    Cargado por

    gavino jose flores chipana
    Este documento describe el análisis de componentes principales y cómo representar datos de alta dimensionalidad en un espacio vectorial de menor dimensión. Explica cómo calcular los vectores y valores propios de máxima varianza para proyectar los datos.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 13

    Análisis de componentes principales

    Juan José Choquehuanca Zevallos

    UCSP

    July 7, 2020

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 1/9
    1 Deniciones

    2 Representación vectorial de señales

    3 Vectores de mínima y máxima varianza

    4 Formulación de máxima varianza

    5 Función de coste
    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 2/9
    Preliminares
    1 Representación vetorial de los datos:
    (n)
    1 Fig. 1a: x ∈ R1×1 , Fig. 1b: x(n) ∈ R2×1 , Fig. 1c: x(n) ∈ R3×1

    Figure: Representación vectorial de los datos en un espacio de alta

    dimensionalidad.

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 2/9
    Preliminares

    En general: x(n) ∈ RD×1 . Por ejemplo:


    Imágenes de 100 × 100 píxeles x(n) ∈ R10 ×1 .
    4
    1

    2 Espectrograma utilizando 1024 valores en frecuencia: x(n) ∈ R1024×1 ,


    etc.

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 3/9
    Ejemplo de distrución de puntos

    Figure: Representación vectorial de los datos bidimensionales.

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 4/9
    .

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 5/9
    Ejemplo de distrución de puntos

    Figure: Representación vectorial de los datos bidimensionales.

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 5/9
    .

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 6/9
    Ejemplo de distribución de puntos

    Juan José Choquehuanca


    Figure:Zevallos (UCSP) Análisisvectorial
    Representación de componentes principales
    de los July 7, 2020
    datos bidimensionales. 6/9
    .

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 7/9
    Formulación de máxima varianza
    Denición de media:
    n o
    µx = E x(n) ∈ RD×1 (1)

    N
    1 X (n)
    µx = x (2)
    N
    n=1

    Denición de covarianza:
    N
    1 X  T (n) 2
    σa21 = a1 x − aT1 µ(n)
    x ∈ R1×1 (3)
    N
    n=1
    N
    1 X  T (n)  2
    σa21 = a1 x − aT1 µ(n)
    x a T (n)
    1 x − aT (n)
    µ
    1 x ∈ R1×1 (4)
    N
    n=1

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 7/9
    Formulación de máxima varianza

    Considerando bT a = aT b

    N  h iT 
    1 X  T (n) iT h
    σa21 = T (n)
    a 1 x − a 1 µx x (n) (n)
    a1 − µx a1 ∈ R1×1
    N
    n=1
    (5)
    N 
    " #
    1  T
    (6)
    X
    σa21 = aT1 (n) (n)
    x − µx (n) (n)
    x − µx a1 ∈ R1×1
    N
    n=1
    N
    1 X  (n)  T
    S= x − µ(n)
    x x(n) − µ(n)
    x ∈ RD×D (7)
    N
    n=1

    σa21 = aT1 Sa1 ∈ R1×1 (8)

    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 8/9
    Formulación de máxima varianza
    Formulación del problema:
    (
    min aT1 Sa1
    (9)
    s.t. ka1 k = 1

    Empleando operadores de Lagrange

    min aT1 Sa1 + λ1 (1 − ka1 k) (10)


    ∂  T
    (11)
    
    a1 Sa1 + λ1 (1 − ka1 k) = 0
    ∂a1
    ∂  T
    a1 Sa1 + λ1 1 − aT1 a1 = 0 (12)
    
    ∂a1
    [Sa1 − λ1 a1 ] = 0 (13)
    Sa1 = λ1 a1 (14)
    Entonces, a1 y λ1 resentan un autovector y autovalor de S .
    Juan José Choquehuanca Zevallos (UCSP) Análisis de componentes principales July 7, 2020 9/9

    También podría gustarte