如何解决如何从GMM + PCA数据中恢复特征向量
基本上,它涉及以下步骤
- 在数据 X (nxd)上应用3个分量GMM,其中 n 行对应于样本,而 d 列对应于要素。
- 基于三个均值向量和标记,提取三个数据组 X1 至 X3 ,并在其上应用5个分量PCA。获取对应的特征向量矩阵 A1 到 A3 。
- 对原始数据(完整矩阵 X )应用转换 A x X ,以将转换后的本征空间中的数据作为 Z1 strong>改为 Z3 。
- 将这些所得矩阵/系数的每一行乘以在步骤2中保存的相应Explained方差,然后合并/合并为尺寸为 n x Z > 3p
- 将最小-最大缩放应用于(0,1)并对其进行softmax以获得最终系数矩阵Y,其行总和为1。
所以,我有几个查询:
- 为什么将转换后的矩阵 Y (或 Z )中的数据称为系数矩阵?
- 对原始数据而不对 X1 至 X3 的子集执行步骤3的原因是什么
- 为什么要执行步骤4和5以确保 Y 中的行总和为1?在那有什么收获?
- 我可以获取近似数据为 X_app = Y x A ”。但是,如果我查看转换空间中的数据,则它在15维空间(而不是5个)中有1000个样本。因此,相应地,如果我想提取单个特征向量(60 x15)或(n x 3p),我该怎么做?
- 总体而言,这种GMM + PCA配方能实现什么?
谢谢
赛迪
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。