均值、方差、协方差、协方差矩阵、特征值、特征向量

均值：描述的是样本集合的中间点。

方差：描述的是样本集合的各个样本点到均值的距离之平均，一般是用来描述一维数据的。

协方差：

是一种用来度量两个随机变量关系的统计量。
只能处理二维问题。
计算协方差需要计算均值。

如下式：

方差与协方差的关系

协方差矩阵：

协方差矩阵能处理多维问题；
协方差矩阵是一个对称的矩阵，而且对角线是各个维度上的方差。
协方差矩阵计算的是不同维度之间的协方差，而不是不同样本之间的。
样本矩阵中若每行是一个样本，则每列为一个维度，所以计算协方差时要按列计算均值。

如果数据是3维，那么协方差矩阵是：

特征值与特征向量

Referee：

用Python求均值与方差,可以自己写,也可以借助于numpy,不过到底哪个快一点呢? 我做了个实验,首先生成9百万个样本: ? 1 2 3 nlist=range(0,9000000) nlist=[float(i)/1000000 for i in nlist] N=len(nlist) 第二行是为了让样本小一点,否则从1加到9百万会溢出的. 自己实现,遍历数组来求均值方差: ? 1 2 3 4 5 6 7 sum1=0.0 sum2=0.0 for i in range(N): s

均值方差斜度峭度

参考『http://stat-design.blogspot.sg/search?updated-min=2011-01-01T00:00:00-06:00&updated-max=2012-01-01T00:00:00-06:00&max-results=4』 We know that the Mean gives us the central tendency of the data, the Standard Deviation explains the dispersion abo

DAY13 彩色图片分别显示RGB三个通道图片求图像的均值方差熵

% 读取一张彩色图片分别显示RGB三个通道图片% 将彩色图片换成灰度图像求图像的均值方差熵im=(imread('robot.jpg'));figure,imshow(im); % Step1 分别显示RGB三个通道图片subplot(2,2 ,1),imshow(im); %原始彩色图像subplot(2, 2 ,2),imshow(im(:,:,1)); %R通道 im(:,:,1) 表示三维图像第一个参数表示获取全部行subplot(2 ,2 ,3),imshow(im(:,:,

方差协方差

[方差协方差]方差 variance协方差 covariancehttps://en.wikipedia.org/wiki/Variance方差一个随机变量的方差描述的是它的离散程度,一个实随机变量的方差,也成为它的二阶矩或二阶中心动差.Informally, it measures how far a set of (random) numbers are spread out from their average value. Variance has a central role in

200229（matlab的读文件夹，字符串分割，F1的实现，excel写入加减形式均值方差）

批量读入文件夹文件并保存相应处理完后的结果 filePath = fullfile('E:\...'); %引号内是需要遍历的路径,填绝对路径,然后保存在fileFolderdirOutput = dir(fullfile(filePath,'*.mat')); %读取相应后缀文件fileNames = {dirOutput.name}; %取出其中的文件名属性all_accFile = fileNames(strncmp("all",fileNames,3)); % 根据文件名前三个

【zz】matlab 均值方差

转自:http://blog.sina.com.cn/s/blog_4936c31d01011v8j.html 1. 均值 Matlab函数:mean >>X=[1,2,3] >>mean(X)=2 如果X是一个矩阵,则其均值是一个向量组.mean(X,1)为列向量的均值,mean(X,2)为行向量的均值. >>X=[1 2 3 4 5 6] >>mean(X,1)=[2.5, 3.5, 4.5] >>mean(X,2)=[2 5] 若要求整个矩

C语言之文件操作07——读取文件数据并计算均值方差标准差

//文件 /* =============================================================== 题目:从文本文件"high.txt"中取出运动员的身高数据,并计算平均值,方差和标准差! =============================================================== */ #include<stdio.h> #include <math.h> #define hh pr

scikit-learn中自带的均值方差归一化函数

一:所在包 from sklearn.preprocessing import StandardScaler. 二:步骤 a.将训练集进行fit操作 b.在将训练集进行transform操作,得到均值为0,方差为1的数据集. c.对测试集进行transform操作,但是不需要在进行fit,应使用训练集fit后得出的参数. 三:代码 import numpy as np from sklearn import datasets from sklearn.neighbors import KNeig

说文解字----矩阵分析（二）特征值特征向量奇异值分解（SVD）

特征值,奇异值,相关分解是矩阵分析中一个非常重要的概念,我再网上找了些资料,很多人已经对此分析的非常纯熟,为了尊重原创作者,首先贴几个链接,大家欣赏下: 外文链接:http://www.ams.org/samplings/feature-column/fcarc-svd 翻译文章:http://blog.csdn.net/dinosoft/article/details/37884597 数学之美与SVDhttp://blog.chinaunix.net/uid-24517893-id-3261

pca数学原理（转）

PCA的数学原理前言数据的向量表示及降维问题向量的表示及基变换内积与投影基基变换的矩阵表示协方差矩阵及优化目标方差协方差协方差矩阵协方差矩阵对角化算法及实例 PCA算法实例进一步讨论前言 PCA(Principal Component Analysis)是一种常用的数据分析方法.PCA通过线性变换将原始数据变换为一组各维度线性无关的表示,可用于提取数据的主要特征分量,常用于高维数据的降维.网上关于PCA的文章有很多,但是大多数只描述了PCA的分析过程,而没有讲述其中

均值、方差、协方差、协方差矩阵、特征值、特征向量

浅谈协方差矩阵及实例计算