降维：PCA

最新推荐文章于 2023-11-19 22:46:09 发布
最新推荐文章于 2023-11-19 22:46:09 发布
阅读量999 收藏
点赞数
分类专栏： 《MachineLearning，Tom Mitchell》
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mmc2015/article/details/45289357
版权

一直想总结一下降维的方法，借matchill老师的课，总结一下：




PCA：












PCA和ICA：





降维方法：

1、神经网络的隐含层

2、LDA（线性判别分析）

3、PCA

4、ICA

5、CCA

6、信息增益（筛选特征）

7、卡方检测

8、SVM（增维）

9、LDA（Latent Dirichlet Allocation），Topic Model也算是一种降维


最后matchill老师说，他可能更喜欢PCA而不是信息增益，PCA保持了所有特征的线性映射，而信息增益完全去掉了一些特征。。。

mmc2015
关注
专栏目录
机器学习 | 降维：PCA主成分分析
知识库搭建ing
05-24 1449
PCA顾名思义，就是找出数据里最主要的方面，用数据里最主要的方面来代替原始数据。基本想法是将所有数据投影到一个子空间中，从而达到降维的目标
PCA降维：简易人脸识别模型
CSDN 精品推荐
02-11 4056
文章目录案例实战：简易人脸识别模型1、导库2、获取图片数据3、获取图片像素矩阵4、分割数据集5、未降维数据6、PCA降维数据 案例实战：简易人脸识别模型 1、导库 # 文件目录相关库 import os # 图片操作库 from PIL import Image # 导入近邻模型 from sklearn.neighbors import KNeighborsClassifier from sklearn.metrics import accuracy_score # 导入降维函数 from sklear
机器学习（2）——PCA（principal components analysis 主成分分析）降维
qq_41921709的博客
02-20 768
概念 PCA（principal components analysis）即主成分分析技术，又称主分量分析。主成分分析也称主分量分析，旨在利用降维的思想，把多指标转化为少数几个综合指标。 在统计学中，主成分分析PCA是一种简化数据集的技术。它是一个线性变换。这个变换把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，...
scikit-learn：4.4. Unsupervised dimensionality reduction（降维）
mmc2015的专栏
07-26 2029
参考：http://scikit-learn.org/stable/modules/unsupervised_reduction.html 对于高维features，常常需要在supervised之前unsupervised dimensionality reduction。 下面三节的翻译会在之后附上。 4.4.1. PCA: principal compo
scikit-learn：4. 数据集预处理（clean数据、reduce降维、expand增维、generate特征提取）
mmc2015的专栏
07-16 4169
本文参考：http://scikit-learn.org/stable/data_transforms.html 本篇主要讲数据预处理，包括四部分： 数据清洗、数据降维（PCA类）、数据增维（Kernel类）、提取自定义特征。哇哈哈，还是关注预处理比较靠谱。。。。 重要的不翻译：scikit-learn provides a library of transformers, whi
【机器学习】特征工程：特征选择、数据降维、PCA
最新发布
TwcatL_tree
11-19 885
例如，现在有A、B两个维度，给它降到一维，称之为C，而C维度代表的意义是同时代表A、B维度的新维度。比如，当方差等于0时，表示该特征列上所有的值都是一样的，一列数据都是一样的对预测结果毫无关系，这时就可以把这一列删除。例：若原数组有4个特征列，指定n_components=0.9，代表原来有4维，现在变成4*0.9=3.6，取整数部分，现在有3维，再减1维。主成分分析是对原先提出的所有变量，将重复的变量（关系紧密的变量删去多余），建立尽可能少的新变量，使得这些。我们是通过方差来决定的，也就是正交变换完后，
机器学习——经典降维算法与框架综述
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
11-08 5414
在本文中，我们总结了机器学习和模式识别领域的经典降维算法和降维框架。降维算法部分包括各种经典算法的原理、公式推导和算法过程，以及它们在线性降维、流形学习、核方法（监督、无监督和半监督）中的优化算法。 降维框架部分将各经典降维方法分别统一在图嵌入框架和半监督框架这两个经典降维框架的视角下，并以此探讨和分析了降维框架的设计和构建方法，分析了以降维框架为平台开发新算法的步骤。 此外，通过降维算法和降维框架在不同任务的数据集实验中的应用以及实验结果的统计分析比较，说明了各算法和框架之间的联系和区别。
四大机器学习降维算法：PCA、LDA、LLE、LaplacianEigenmaps.pdf
10-05
四大机器学习降维算法：PCA、LDA、LLE、LaplacianEigenmaps 机器学习领域中的降维算法是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数f : x->y，其中x是原始数...
数据降维：PCA主成分分析降维示例及函数参数解释
2020重新做人的博客
08-01 6576
文章目录主成分分析(PCA)介绍PCA转化步骤PCA示例sklearn中的PCAPCA优缺点优点缺点 主成分分析(PCA)介绍 PCA也被叫做卡尔胡宁-勒夫转换(KLT)，是一种用户在高维空间发现模式的技术。PCA常被用于探索和可视化高纬度数据集。PCA可以压缩数据，也就是所谓的数据降维。数据降维是指在保留重要信息的同时消除那些“无用信息量的信息”。PCA关注的是线性相关性，如果一个数据矩阵的列空...
PCA.zip_PCA 降维_PCA算法降维_pca适用于_pca降维_图片降维
07-15
PCA（主成分分析，Principal...综上所述，PCA是一种强大的降维工具，尤其在处理高维图像数据时表现出色。通过合理运用PCA，我们可以有效地降低数据复杂性，同时保持关键信息，促进深度学习模型的训练和人脸特征的提取。
看！数据分析领域中最为人称道的七种降维方法
zdy0_2004的专栏
11-22 1万+
http://dataunion.org/20803.html 感谢王穆荣的投稿，转载请注明出处：数盟社区 近来由于数据记录和属性规模的急剧增长，大数据处理平台和并行数据分析算法也随之出现。于此同时，这也推动了数据降维处理的应用。实际上，数据量有时过犹不及。有时在数据分析应用中大量的数据反而会产生更坏的性能。 最新的一个例子是采用 2009 KDD Challenge 大数据集来预测客户
关于数据降维的一些经典算法
浴血重生-学习空间
01-21 8441
数据降维0 前言降维方法可分为有监督降维方法、半监督降维方法、无监督降维方法。LDA、Fisher分析、MFA、MMC、PCA、LPP
四大机器学习降维算法：PCA、LDA、LLE、Laplacian Eigenmaps
彼岸花
03-31 1万+
四大机器学习降维算法：PCA、LDA、LLE、Laplacian Eigenmaps 引言 机器学习领域中所谓的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。降维的本质是学习一个映射函数 f : x->y，其中x是原始数据点的表达，目前最多使用向量表达形式。 y是数据点映射后的低维向量表达，通常y的维度小于x的维度（当然提高维度也是可以的）。f可能是显式的
【降维方法】- 实际应用中各降维方法的分析
Step by step
08-13 6458
实际应用场景下，面对多种数据降维方法，我们应该清楚地了解各降维方法的原理，熟知其优劣，将其合理地应用于需处理的问题中。下面，将从实际应用的角度，对各降维算法逐个进行优劣分析。 PCA 优点： 能够从数据集中提取新的特征（原始特征的线性组合），并且这些特征能够最大程度捕捉数据集中方差较大的特征，同时提取的新特征之间彼此不相关。一些预测模型要求预测变量之间无相关性（弱相关性），以便得到稳定的数...
数据降维方法总结
sqiu_11的博客
10-30 2万+
Introduce经过这几天面试后，我发现数据降维这一块在工业界用的很多或者说必不可少，因此，这方面需要重点关注。今天，我将数据降维总结于此，包括他人成果，这里对他们的内容表示感谢。Method对数据降维作用有多个角度的理解。吴恩达在他的视频中说，降维是用于数据压缩，降低噪声，防止运行太慢内存太小；当降到2或3维可以可视化操作，便于数据分析；不要将降维用于防止过拟合，容易去掉和标签有关的重要特征。但
12种降维方法终极指南
热门推荐
YiBochun-Blog
09-03 4万+
来源：Analytics Vidhya编译：Bot授权自 论智你遇到过特征超过1000个的数据集吗？超过5万个的呢？我遇到过。降维是一个非常具有挑战性的任务，尤其是当你不知道该从哪里开始的时候。拥有这么多变量既是一个恩惠——数据量越大，分析结果越可信；也是一种诅咒——你真的会感到一片茫然，无从下手。面对这么多特征，在微观层面分析每个变量显然不可...
机器学习降维方法概括
oneDay的博客
08-27 3万+
最近刷题看到特征降维相关试题，发现自己了解的真是太少啦，只知道最简单的降维方法，这里列出了常见的降维方法，有些算法并没有详细推导。特征降维方法包括：Lasso，PCA，小波分析，LDA，奇异值分解SVD，拉普拉斯特征映射，SparseAutoEncoder，局部线性嵌入LLE，等距映射Isomap。
【Dimensionality Reduction】数据降维方法分类
爱.NET
04-29 1353
数据降维基本原理是将样本点从输入空间通过线性或非线性变换映射到一个低维空间，从而获得一个关于原数据集紧致的低维表示。 数据降维工具箱drtoolbox中众多算法，这里简单做个分类。 因为很多并没有仔细了解，在此次只对八种方法做分类：主成分分析（Principal Component Analysis,PCA)、线性判别分析（Linear Discriminant Analysis,LDA）、等...
《Machine Learning（Tom M. Mitchell）》读书笔记——7、第六章
mmc2015的专栏
11-24 3289
1. Introduction (about machine learning) 2. Concept Learning and the General-to-Specific Ordering 3. Decision Tree Learning 4. Artificial Neural Networks 5. Evaluating Hypotheses 6. Bayes
高光谱图像降维：PCA与LDA扩展方法探讨
"这篇资源是一篇关于主成分分析（PCA）和线性判别分析（LDA）在高光谱图像降维应用的综述论文，来自西南大学地理科学学院的地图学与地理信息系统专业的课程作业。作者探讨了PCA的扩展，如最大噪声分数变换（MNF）和...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值