Eigenvalues and eigenvectors are th

Eigenvalues and eigenvectors are the two most importantconcepts in PCA. We think the matrix as a space, then for asymmetric positive definite matrix A, its eigenvectors areorthogonal to the space formed by A. The larger the eigenvalueis, the more information the corresponding eigenvector canhave on this basis. For example, we select the feature values ofthe 10 largest eigenvalue of an image to reconstruct the image,as fig.1 shows, the graph is decomposed into 10 images(eachfeature vector corresponds to one image )[8].

Hasil (Bahasa Indonesia) 1:

Nilai dan vektor eigen adalah dua yang paling penting
konsep dalam PCA. Kami pikir matriks sebagai ruang, maka untuk
simetris positif matriks definit A, vektor eigen yang adalah
ortogonal pada ruang yang dibentuk oleh A. lebih besar eigenvalue
adalah, semakin banyak informasi yang sesuai vektor eigen dapat
memiliki atas dasar ini. Sebagai contoh, kita memilih nilai-nilai fitur dari
nilai eigen 10 terbesar dari suatu gambar untuk merekonstruksi gambar,
seperti gambar 1 menunjukkan, grafik diuraikan menjadi 10 gambar (masing-masing
fitur vektor bersesuaian dengan satu gambar) [8].

Hasil (Bahasa Indonesia) 2:

Eigenvalues dan eigenvectors adalah dua yang paling penting
konsep dalam PCA. Kami pikir matriks sebagai ruang, maka untuk
matriks pasti positif simetris A, eigenvectors yang
ortogonal untuk ruang yang dibentuk oleh A. Semakin besar nilai eigennya
adalah, semakin banyak informasi yang sesuai eigenvector dapat
memiliki atas dasar ini. Misalnya, kami memilih nilai fitur
10 nilai eigenbesar gambar untuk merekonstruksi gambar,
seperti yang ditunjukkan oleh Fig. 1, grafik diurai menjadi 10 gambar (masing-
vektor fitur sesuai dengan satu gambar) [8].