Las matrices de correlación son casos especiales de matrices de covarianza , en las cuales las entradas diagonales son 1, y todas las demás entradas están entre -1 y 1.
La correlación espacial cuantifica la correlación entre las mediciones en dos ubicaciones diferentes (por ejemplo, brillo de dos píxeles en muchas fotos de caras diferentes).
Ver también, ¿PCA / NMF / SVD genera una matriz de bajo rango? ¿Y por qué? por lo que hacen estos algoritmos.
- En su opinión, ¿la sugerencia de lectura recomendada basada en la actividad de navegación de los usuarios de Wikipedia mejorará la genialidad del sitio?
- ¿Cuáles son algunas de las limitaciones o inconvenientes de las redes neuronales convolucionales?
- ¿Cuál es la forma correcta de verificar si mi fórmula de gradiente es correcta o no?
- ¿Es útil el modelo jerárquico bayesiano en la industria o las finanzas?
- ¿Necesito una GPU para aprender el aprendizaje profundo?
Entonces, ¿qué hace PCA / SVD cuando las variables aleatorias son píxeles? Un muy buen ejemplo de este escenario es una aplicación de PCA en imágenes de caras: Eigenfaces
Resulta que los vectores propios (también conocidos como caras propias en este estudio) cuando se visualizan, capturan regiones contiguas a través del rostro humano que exhiben la mayor variabilidad, por ejemplo, anteojos alrededor de los ojos, color de cabello, etc.