PCA (Principal Component Analysis) Training PCA (Principal Component Analysis) 정적 평형 Prof. Seewhy Lee Presents
1. PCA 2. Example 3. Homework Agenda
1. PCA
Eigenvalue, Eigenvector
Principal Component Analysis
2. Example
Given Data x1 1 2 3 x2
Make Zero Mean x1 1 2 3 x2 y1 -1 1 y2
Correlation Matrix y1 -1 1 y2
Eigenvalues & Eigenvectors
In Two Dim.
Data Transformation y1 -1 1 y2
Result
3. Homework
열 개 이상의 데이터를 X 비슷한 모양이 되도록 배치한다. 이것이 N개의 x 벡터이다. 평균을 계산하여 x 벡터에서 뺀다. N개의 y(=x-μ) 벡터이다.
SUMSQ, SUMPRODUCT 함수 이용하여 Correlation Matrix를 계산한다. 두 Eigenvalue를 구한다. 복잡하므로 조심조심 ㅋ Eigenvector를 구한다. 이것은 아직 규격화되지 않은 상태.
Eigenvector v의 크기를 구한 다음 규격화한 것이 Eigenvector q이다.
행렬 곱 명령어 mmult 이용하여 벡터 y를 Q로 변환한다. z=Qy. 학번_성명.xlsx 파일을 e-Class에 제출
Can you feel the usefulness? PCA Can you feel the usefulness?
Thanks! Prof. Seewhy Lee