Reconstruire les images de PCA réduites les dimensions avec NN

1. Pouvez-vous reconstruire à partir de PCA?
2. Comment la réduction de la dimension PCA fonctionne-t-elle pour les images?
3. L'analyse des composants principaux PCA peut-il être utilisé pour réduire la dimension?
4. Pouvons-nous reconstruire les données d'origine des données projetées PCA?

Pouvez-vous reconstruire à partir de PCA?

PCA est une transformation linéaire orthogonale. La matrice de covariance est symétrique et semi-définie positive. Les vecteurs propres de la matrice de covariance sont orthogonaux les uns aux autres. PCA peut être inversé pour reconstruire les données.

Comment la réduction de la dimension PCA fonctionne-t-elle pour les images?

En raison de la résumé de la littérature préliminaire, le processus de réduction des dimensions par l'ACP se compose généralement de quatre étapes principales: (1) normaliser les données d'image (2) Calculer la matrice de covariance à partir des données d'image (3) effectuer une décomposition à valeur unique (SVD) (4) Trouvez la projection des données d'image à la base de la base avec une réduction ...

L'analyse des composants principaux PCA peut-il être utilisé pour réduire la dimension?

L'analyse des composants principaux (PCA) est une technique de transformation linéaire non supervisée qui est largement utilisée dans différents champs, surtout pour l'extraction des caractéristiques et la réduction de la dimensionnalité.

Pouvons-nous reconstruire les données d'origine des données projetées PCA?

Mise en garde à propos de l'ACP sur la corrélation

Dans ce cas, pour reconstruire les données d'origine, il faut reculer les colonnes de ˆx avec σi et seulement pour ajouter le vecteur moyen μ.