Differences

This shows you the differences between two versions of the page.

--- data_mining:pca [2014/08/24 01:49] – [Problemformulierung] phreazer
+++ data_mining:pca [2014/08/30 17:07] (current) – [Problemformulierung] phreazer
@@ Line 3: / Line 3: @@
 ===== Problemformulierung =====
-$x \in R^2$
+$x \in \mathbb{R}^2$
 Finden einer Projektion mit minimalem Projektionsfehler.
@@ Line 9: / Line 9: @@
 Feature Scaleing erforderlich.
-Für 2 Dimensionen: Finde einen Vektor $u^{(1)} \in R^n$ auf den Daten projiziert werden, dass der Projektionsfehler minimal wird.
+Für 2 Dimensionen: Finde einen Vektor $u^{(1)} \in \mathbb{R}^n$ auf den Daten projiziert werden, dass der Projektionsfehler minimal wird.
 Für k Dimensionen: Finde k Vektoren $u^{(1)}, \dots, u^{(k)}$ auf die Daten projiziert werden, dass der Projektionsfehler minimal wird.
@@ Line 16: / Line 16: @@
 Berechnung der Kovarianzmatrix:
-$\Sigma$ = \frac{1}{m} \sum^n_{i=1} x^{(i)} x^{(i)}^T$
+$\Sigma = \frac{1}{m} \sum_{i=1}^n x^{(i)} (x^{(i)})^T = 1/m X^T X$
-Berechnung der Eigenvektoren der Matrix $\sigma$
+Berechnung der Eigenvektoren der Matrix $\sigma$:
+svd-Funktion: [U, S, V] = svd(Sigma);
+$U_{\text{reduce}}$ : k-Spalten der U-Matrix ($n \times n$)
+$z = U_{\text{reduce}}^T x$
+===== Parameterwahl (k) =====
+% der Varianz bleibt erhalten.
+$$
+\frac{\frac{1}{m} \sum_{i=1}^m || x^{(i)} - x_{\text{approx}}^{(i)} ||^2}{\frac{1}{m} \sum_{i=1}^m || x^{(i)}||^2} \leq 0.01
+$$
+[U,S,V] mit S als diagonale Matrix.
+Für ein k, kann $1-\frac{\sum_{i=1}^k S_{ii}}{\sum_{i=1}^n S_{ii}} \leq 0.01$.
+===== Decompression =====
+$x_\text{approx} = U_\text{reduce} z$