Uppgift 1 - Linjär Algebra (Grundläggande nivå)

En datavetare arbetar med att förbättra en bildkomprimeringsalgoritm. För att minska datamängden utan att förlora viktig information använder hon Principal Component Analysis (PCA). Givet en datamängd representerad av matrisen $A$ nedan, bestäm de två första huvudkomponenterna genom att beräkna egenvärden och egenvektorer för kovariansmatrisen av $A$. Matris $A$ är: $$A = \begin{bmatrix} 2 & 0 & 1 \\ 1 & -1 & 0 \\ 0 & 1 & 1 \\ -1 & 0 & 2 \\ 1 & 1 & -1 \end{bmatrix}$$

SVAR

De två första huvudkomponenterna är de egenvektorer som motsvarar de två största egenvärdena av kovariansmatrisen av $A$. Efter beräkning är de två största egenvärdena 3.5 och 2.5, och deras motsvarande egenvektorer är $v_1 = \begin{bmatrix} 1 \\ 0 \\ 1 \end{bmatrix}$ och $v_2 = \begin{bmatrix} 0 \\ 1 \\ 0 \end{bmatrix}$. Alltså är de två första huvudkomponenterna $v_1$ och $v_2$.

STEG-FÖR-STEG LÖSNING

Steg 1

Beskrivning: Beräkna medelvärdet för varje kolumn i matris $A$ och centrera datan.

Beräkning: Medelvärden: $\mu_1 = 0.6$, $\mu_2 = 0.2$, $\mu_3 = 0.6$. Centrera $A$: $A_c = A - \mu$.

Resultat: $A_c = \begin{bmatrix} 1.4 & -0.2 & 0.4 \\ 0.4 & -1.2 & -0.6 \\ -0.6 & 0.8 & 0.4 \\ -1.6 & -0.2 & 1.4 \\ 0.4 & 0.8 & -1.6 \end{bmatrix}$

Steg 2

Beskrivning: Beräkna kovariansmatrisen av den centrerade matrisen $A_c$.

Beräkning: Kovariansmatris $C = \frac{1}{n-1} A_c^T A_c$.

Resultat: $C = \begin{bmatrix} 3.5 & 0 & 0.5 \\ 0 & 2.5 & 0 \\ 0.5 & 0 & 3.5 \end{bmatrix}$

Steg 3

Beskrivning: Beräkna egenvärden och egenvektorer för kovariansmatrisen $C$.

Beräkning: Lös $\det(C - \lambda I) = 0$ för egenvärden $\lambda$.

Resultat: Egenvärden: $\lambda_1 = 3.5$, $\lambda_2 = 2.5$, $\lambda_3 = 2.0$.

Steg 4

Beskrivning: Bestäm egenvektorerna som motsvarar de två största egenvärdena.

Beräkning: Lös $(C - \lambda I)v = 0$ för $\lambda_1$ och $\lambda_2$.

Resultat: Egenvektorer: $v_1 = \begin{bmatrix} 1 \\ 0 \\ 1 \end{bmatrix}$, $v_2 = \begin{bmatrix} 0 \\ 1 \\ 0 \end{bmatrix}$.

NÖDVÄNDIG KUNSKAP

Egenvärden och egenvektorer Grundläggande

Förståelse för hur man beräknar egenvärden och egenvektorer är nödvändig för att utföra PCA.

Läs mer →

Matriser och matrisoperationer Grundläggande

Kunskap om hur man utför operationer på matriser, inklusive transponering och multiplikation, är viktig för att beräkna kovariansmatrisen.

Läs mer →

ÖVNINGSUPPGIFTER

Uppgift 1 (Nivå A)

Fråga: Givet matrisen $B = \begin{bmatrix} 3 & 1 & 2 \\ 2 & 3 & 1 \\ 1 & 2 & 3 \end{bmatrix}$, beräkna de två största egenvärdena och deras motsvarande egenvektorer.

Förklaring: Denna övning hjälper till att förstärka förståelsen av hur man beräknar egenvärden och egenvektorer, vilket är centralt för PCA.

TANKESÄTT OCH STRATEGI

Första intryck

Identifiera att uppgiften handlar om att tillämpa PCA genom att beräkna egenvärden och egenvektorer för en kovariansmatris.

Lösningsstrategi

Beräkna kovariansmatrisen, hitta egenvärden och egenvektorer, och välj de med högst egenvärden.

Verifieringsmetod

Kontrollera att de beräknade egenvektorerna är ortogonala och att egenvärdena är korrekta genom att återställa kovariansmatrisen.

Nyckelbegrepp

Kovariansmatris Egenvärden Egenvektorer Principal Component Analysis

Ansvarsbegränsning: Denna tjänst tillhandahålls "som den är" utan garantier av något slag. Vi tar inget ansvar för hur materialet används eller för eventuella felaktigheter i uppgifter, lösningar eller annan information. Använd alltid eget omdöme och verifiera informationen genom andra källor när det är viktigt.