PCA(主成分分析)
Back to Home
01. 数据维度
02. 较棘手的数据维度
03. 一维或二维?
04. 略微不完美的数据
05. 最棘手的数据维度
06. 用于数据转换的 PCA
07. 新坐标系的中心
08. 新坐标系的主轴
09. 新系统的第二主成分
10. 练习:查找中心
11. 练习:查找新轴
12. 哪些数据可用于 PCA
13. 轴何时占主导地位
14. 可测量的特征与潜在的特征练习
15. 从四个特征到两个
16. 在保留信息的同时压缩
17. 复合特征
18. 最大方差
19. 最大方差的优点
20. 最大方差与信息损失
21. 信息损失和主成分
22. 相邻复合特征
23. 用于特征转换的 PCA
24. 最大主成分数量
25. PCA 的回顾/定义
26. 将 PCA 应用到实际数据
27. 安然财务数据的 PCA
28. sklearn 中的 PCA
29. 何时使用 PCA
30. 用于人脸识别的 PCA
31. 特征脸方法代码
Back to Home
30. 用于人脸识别的 PCA
用于人脸识别的 PCA
Question:
Start Quiz:
Solution:
INSTRUCTOR NOTE:
为什么PCA在人脸识别中有不错的应用呢?
□ 人脸照片通常有很高的输入维度(很多像素)
□ 人脸具有一些一般性形态,这些形态可以以较小维数的方式捕捉,比如人一般都有两只眼睛,眼睛基本都位于接近脸的顶部的位置
□ 使用机器学习技术,人脸识别是非常容易的(因为人类可以轻易做到)
Next Concept