Matlab 中观察值和变量之间的差异
Difference between observations and variables in Matlab
我什至都不好意思问这个问题，但就这样吧。在输入矩阵为 NxD 矩阵的每个 Matlab 帮助文件中 X Matlab 将矩阵排列描述为
Data, specified as a numeric matrix. The rows of X correspond to
observations, and the columns correspond to variables.
以上摘自 kmeans
的帮助
我对 Matlab 中观察和变量的含义感到有点困惑。
假设我有一个由 100 张图像组成的数据矩阵。每张图片都由一个大小为 128 x 1 的特征向量表示。所以这是我的 100 个观察结果和 128 个变量，还是相反？
我的数据矩阵的大小是 128 x 100 还是 100 x 128
您似乎在谈论一些特定的 statistical/probabilistic 功能。在统计学或概率论中，有一些随机变量是某种 measurements/observations 随着时间（或其他维度）的结果。所以这样的矩阵只是D个不同随机变量的N个测量值的集合。
尤金在统计和概率构造方面的解释很棒，但我想从数据分析和图像处理的角度解释更多。
将观察视为数据集中的一个 样本。在这种情况下，一次观察就是一幅图像。对于每个样本，它都有一些相关联的维度或用于表示此类样本的多个变量。
例如，如果我们有一组 100 个二维笛卡尔点，观察值 的数量为 100，而 变量的维度或总数用来描述点是2：我们有一个x点和一个y点。因此，在 MATLAB 宇宙中，我们会将所有这些数据点放入一个矩阵中。矩阵的每个 行 表示数据集中的一个点。因此，您要在此处创建的矩阵是 100 x 2.
现在，回到你的问题。我们有 100 张图像，每张图像可以用 128 个特征表示。这看起来很可疑，就像您正在尝试使用 SIFT 或 SURF 来表示图像，因此请考虑这种情况，其中每个图像都可以用 128 维向量或具有 128 个元素的 bin 的直方图来描述。每个特征都是构成图像的维度构成的一部分。因此，您将有一个 100 x 128 矩阵。每行代表 一张图像 ，其中每张图像表示为 1 x 128 个特征向量。
一般来说，MATLAB 的机器学习和数据分析算法假设您的矩阵是 M x N，其中 M 是构成数据集的总点数，而 N是数据集中一个这样的点的维数。在 MATLAB 的宇宙中，观察总数等于数据集中点的总数，而代表一个样本的特征/不同属性的总数就是变量总数。
tl:dr
- 观察：您的数据集中的一个样本
- 变量：一种有助于描述数据集中观察或样本的特征/属性。
- 观测数：数据集中的总点数
- 变量数：构成数据集中观察或样本的特征/属性总数。
我什至都不好意思问这个问题，但就这样吧。在输入矩阵为 NxD 矩阵的每个 Matlab 帮助文件中 X Matlab 将矩阵排列描述为
Data, specified as a numeric matrix. The rows of X correspond to observations, and the columns correspond to variables.
以上摘自 kmeans
的帮助我对 Matlab 中观察和变量的含义感到有点困惑。
假设我有一个由 100 张图像组成的数据矩阵。每张图片都由一个大小为 128 x 1 的特征向量表示。所以这是我的 100 个观察结果和 128 个变量，还是相反？
我的数据矩阵的大小是 128 x 100 还是 100 x 128
您似乎在谈论一些特定的 statistical/probabilistic 功能。在统计学或概率论中，有一些随机变量是某种 measurements/observations 随着时间（或其他维度）的结果。所以这样的矩阵只是D个不同随机变量的N个测量值的集合。
尤金在统计和概率构造方面的解释很棒，但我想从数据分析和图像处理的角度解释更多。
将观察视为数据集中的一个 样本。在这种情况下，一次观察就是一幅图像。对于每个样本，它都有一些相关联的维度或用于表示此类样本的多个变量。
例如，如果我们有一组 100 个二维笛卡尔点，观察值 的数量为 100，而 变量的维度或总数用来描述点是2：我们有一个x点和一个y点。因此，在 MATLAB 宇宙中，我们会将所有这些数据点放入一个矩阵中。矩阵的每个 行 表示数据集中的一个点。因此，您要在此处创建的矩阵是 100 x 2.
现在，回到你的问题。我们有 100 张图像，每张图像可以用 128 个特征表示。这看起来很可疑，就像您正在尝试使用 SIFT 或 SURF 来表示图像，因此请考虑这种情况，其中每个图像都可以用 128 维向量或具有 128 个元素的 bin 的直方图来描述。每个特征都是构成图像的维度构成的一部分。因此，您将有一个 100 x 128 矩阵。每行代表 一张图像 ，其中每张图像表示为 1 x 128 个特征向量。
一般来说，MATLAB 的机器学习和数据分析算法假设您的矩阵是 M x N，其中 M 是构成数据集的总点数，而 N是数据集中一个这样的点的维数。在 MATLAB 的宇宙中，观察总数等于数据集中点的总数，而代表一个样本的特征/不同属性的总数就是变量总数。
tl:dr
- 观察：您的数据集中的一个样本
- 变量：一种有助于描述数据集中观察或样本的特征/属性。
- 观测数：数据集中的总点数
- 变量数：构成数据集中观察或样本的特征/属性总数。