协方差

无监督学习 1、无监督学习的概念 　　什么叫无监督学习（输入都是无label的数据，没有训练集之说） 　　无监督学习的两大任务：“化繁为简”（聚类、降维）、“无中生有” 2、聚类Clustering（K-means、HAC） 3、降维Dimension Reduction（PCA） 1、无监督学习的概念 　　一、什么叫无监督学习 　　　　　输入都是无label的数据，没有训练集之说，也就是只能从一些无label的数据中 自己寻找规律 　　二、无监督学习的两大任务：“化繁为简”（聚类、降维）、“无中生有” 　　 2、聚类Clustering（K-means、HAC） 　　　一、K-means算法 　　 　　kmeans算法又名k均值算法。其 算法思想 大致为：先从样本集中随机选取 k 个样本作为 簇中心 ，并计算所有样本与这 k 个“簇中心”的 距离 ，对于每一个样本，将其划分到与其 距离最近 的“簇中心”所在的簇中，对于新的簇计算各个簇的新的“簇中心”。   根据以上描述，我们大致可以猜测到实现kmeans算法的主要几点：   （1）簇个数 k 的选择 　　（2）初始化簇中心（可以从你的train data里面随机找K个 x x出来，就是你的k个center ） 　　while（收敛——聚类结果不再变化） 　　{ 　　　　（3）各个样本点到“簇中心”的 距离   　　（4

对影像进行主成分分析，只有第一主成分被分离出来了，后面的主成分好像都相同 均值： 标准差： 方差： 描述数据之间关系的统计量 标准差和方差一般是用来描述一维数据的，但现实生活我们常常遇到含有多维数据的数据集。 面对这样的数据集，我们当然可以按照每一维独立的计算其方差，但是通常我们还想了解这几科成绩之间的关系，这时，我们就要用协方差，协方差就是一种用来度量两个随机变量关系的统计量 1.正向主成分（PC）旋转 正向PC旋转用一个线性变换使数据方差达到最大。当使用正向PC旋转时，ENVI允许计算新的统计值，或根据已经存在的统计值进行旋转。输出值可以存为字节型、浮点型、整型、长整型或双精度型。也可以基于特征值来提取PC旋转的输出内容，生成只包含所需的PC波段的输出。 计算新的统计值和旋转 使用Compute New Statistics and Rotate选项可以计算数据特征值、协方差或相关系数矩阵以及PC正向旋转。 选择Transforms > Principal Components > Forward PC Rotation > Compute New Statistics and Rotate。 当出现Principal Components Input File对话框时，选择输入文件或用标准ENVI选择程序选取子集。将会出现Forward PC Rotation