浅谈流形学习 Manifold Learning 和 SNE t-SNE

最新推荐文章于 2024-07-25 00:47:41 发布
最新推荐文章于 2024-07-25 00:47:41 发布
阅读量3.1k 收藏 4
点赞数 1
分类专栏： Machine Learning 文章标签： Manifold SNE t-SNE

本人也刚刚学习流形学习不久，感觉很多东西都不太厉害。涉及很多微分流行和黎曼几何等数学知识。关于流行学习的科普文章首推pluskid写的《浅谈流行学习》，里面有很多通俗易懂的例子和解释。强烈推荐，看了以后会有一个直观的认识。

另外，这里有一编讲SNE和t-SNE的深度好文，里面涉及到比较复杂的算法知识，很有阅读价值。


a921122
关注
专栏目录
机器学习中的流形学习算法 Manifold Learning
scott198512的博客
09-19 7712
机器学习中的流形学习方法ISOMAP、 LLE、Laplacian Eigenmaps、SNE、t_SNE
t-SNE原理与推导
热门推荐
scott198512的博客
09-19 9万+
t-SNE降维的机器学习算法、流形学习、算法原理及代码实现
李宏毅-DeepLearning-2017-Unsupervised Learning:Neighbor Embedding
zjguilai的博客
05-21 832
数据降维的方法： Manifold Learning(流行学习) 1、什么是流形 流形学习的观点：认为我们所能观察到的数据实际上是由一个低维流行映射到高维空间的。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上这些数据只要比较低的维度就能唯一的表示。所以直观上来讲，一个流形好比是一个d维的空间，在一个m维的空间中（m>d）被扭曲之后的结果。需要注意的是流形并不是一个形状，而...
流形学习（Mainfold Learning）
Forlogenの解忧杂货铺
05-16 1万+
最近在看生成对抗网络（Generative Adversarial Networks，GAN）的时候，几乎在每一篇文章中都会看到mainfold这个词，哪么它在GAN中想要表达什么呢？或者说GAN和流形学习（Mainfold Learning）之间又有着什么样的关联呢？下面给出我在查阅了相关资料的一个简单的总结 对于机器学习所使用的大多数数据集而言，数据的维度都很高，例如，MNIST中的样本为32...
【Python机器学习】利用t-SNE进行流形学习
weixin_39407597的博客
06-23 384
流形学习算法主要用于可视化，因此很少用来生成两个以上的新特征。其中一些算法计算训练数据的一种新表示，但不允许变换新数据。这意味着这些算法不能用于测试集：更确切的说，他们只能变换用于训练的数据。流形学习对探索性数据分析是很有用的，但如果最终目标是监督学习的话，则很少使用。t-SNE背后的思想是找到数据的一个二维表示，尽可能地保持数据点之间的距离。
流形学习（Manifold Learning）
weixin_39699362的博客
05-29 1966
在低维空间中（通常是二维或三维），为每对点定义相似性。
流形学习
u200710的博客
08-03 295
Manifold learning
流形学习 (Manifold Learning) 原理与代码实例讲解
最新发布
程序员光剑
07-25 547
流形学习 (Manifold Learning) 原理与代码实例讲解 1. 背景介绍 1.1 问题的由来 在数据科学和机器学习领域，我们经常遇到高维数据集，这些数据通常以向量形式存在，拥有数十乃至数千个维度。直观
流形学习t-SNE，LLE，Isomap
TensorFlowNews
09-08 1062
作者|Andre Ye 编译|VK 来源|Analytics Indiamag 主成分分析是一种强大的方法，但它往往失败，因为它假设数据可以线性建模。PCA将新的特征表示为现有特征的线性组合，将每个特征乘以一个系数。 为了解决主成分分析的局限性，人们通过对具有不同结构的数据进行应用而产生了各种各样的技术。然而，流形学习寻求一种可以推广到所有数据结构的方法。 不同的数据结构指的是数据中不同的属性。例如，它可能是线性可分的，也可能是非常稀疏的。数据中的关系可以是相切的、平行的、包络的或正交的。PCA在非常特定
流形学习技术自学材料（全包括）
06-14
【流行学习简介】：假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。流形学习方法是模式识别中的基本方法，分为线性流形学习算法和非线性流形学习算法，线性方法就是传统的方法如主成分分析（PCA）和线性判别分析（LDA），非线行流形学习算法包括等距映射（Isomap），拉普拉斯特征映射（LE）等。 【文件包括】： （1）12篇在流形学习理论中具有里程碑意义的文献： [2000] A Global Geometric Framework for Nonlinear Dimensionality Reduction [2000] Nonlinear Dimensionality Reduction by Locally Linear Embedding [2000] the Manifold Ways of Perception [2003] Hessian Eigen-maps: New Locally Linear Embedding Techniques for High-dimensional Data [2004] Locality Pursuit Embedding [2005] Principal Manifolds and Nonlinear Dimensionality Reduction via Tangent Space Alignment [2005] 高维数据流形的低维嵌入及嵌入维数研究 [2005] 基于放大因子和延伸方向研究流形学习算法 [2005] 一种改进的局部切空间排列算法 [2006] 流形学习概述 [2008] Agent普适机器学习分类器 [2008] 基于流形学习的纤维丛模型研究 其中，前两篇在2000年刊登在Science上。 （2）一篇介绍这些文献的总论短文，梳理了文献的门类，介绍了如何更快地从体系上了解流形学习技术。 【注】：这些资料的总价值在100美元左右，均有英文版本，本人吐血奉献，希望大家能从中收益。
流形学习算法实现（LE\LLE\Isomap）.zip
04-28
流形学习算法Matlab代码实现，通过三种算法将三维图像降维到二维图像，利用K近邻构造数据图，Isomap最短路径使用Dijkstra算法。
T-SNE-Java:Van Der Maaten和Hinton的t-sne聚类算法的纯Java实现
05-28
T-SNE-Java 关于 Van Der Maaten和Hinton的t-SNE聚类算法的纯Java实现。 T-SNE-Java支持Barnes Hut ，这使得在大得多的数据集上运行惊人的t-SNE（或在小数据集上运行更快）成为可能！ Barnes Hut版本也可以并行运行！ 我们已经看到，与标准Barnes Hut相比，中型数据集（约10000个样本）的性能提高了40％，较大的数据集（MNIST 60000采样）的性能提高了100％。 在2013年的Macbook Pro上，在MNIST 60000上运行并行Barnes Hut t-SNE的t-SNE部分需要18.3分钟（theta = 0.5，困惑度50，1000次迭代） 当然，标准和平行的Barnes Hut都比香草t-SNE快几个量级。 Maaten博士的出色研究！ 该项目分为两个独立的Maven项目，一个用于核心
无监督学习——流形学习（t-SNE）
weixin_43580339的博客
07-08 1564
序 之前我们已经说过PCA通常是用于数据变换的首选方法，使人能够用散点图将其可视化，但这一方法的性质（先旋转然后减少方向）限制了其有效性。而有一类可用于可视化的算法叫做流形学习算法，它允许进行更复杂的映射，通常也可以给出更好的可视化。其中一个特别有用的算法就是t-SNE算法。 PCA原理传送门：无监督学习与主成分分析（PCA） 算法原理 流形学习算法主要用于可视化，因此很少用来生成两个以上的新特征。其中一些算法（包括t-SNE）计算训练数据的一种新表示，但不允许变换新数据。这意味着这些算法不能用于测试集：准
流形学习(Manifold Learning)
wydbyxr的博客
10-20 731
流形学习方法(Manifold Learning)   简称流形学习 (manifold learning) 。   流形学习被认为属于非线性降维的一个分支，现在正大行其道，并且与数据可视化有着密不可分的关系。   自2000年在著名的科学杂志《Science》被首次提出以来，已成为信息科学领域的研究热点。 基本概念   流形学习涉及微分流行和黎曼几何等数学知识。   假设数据是均匀采样于一个高维...
流形学习详解
weixin_44345870的博客
12-13 1万+
流形学习 流形学习（manifold learning）是一类借鉴了拓扑流形概念的降维方法。 介绍流行学习首先要说明一下什么是流形：即指具有不同维数的任意光滑的曲线或曲面。 流形学习是基于这样一种假设：若低维流形嵌入到高维空间中，则数据样本在高维空间的分布虽然看上去十分复杂，但局部上仍具有欧氏空间的性质，因此，可以容易地在局部建立降维映射关系，然后再设法将局部映射关系推广到全局。 其特点为：通过局部线性来构造全局非线性。 为什么要使用流形学习 流形学习是从高维采样数据中恢复低维流形结构，即找到高维空间中
流形(Manifold)学习的理解
JaydenQ的博客
08-29 1159
写在前面 文章参考 夏天/isummer的博客园 ,参考链接:https://www.cnblogs.com/icmzn/p/11082509.html 1.关于流形的理解 流形学习的观点:我们所能观察到的数据实际上是由一个低维流形映射到高维空间上的，即这些数据所在的空间是“嵌入在高维空间的低维流形”。由于数据内部特征的限制，一些高维中的数据会产生维度上的冗余，实际上只需要比较低的维度就能唯一地表示。 直观上来讲，一个流形好比是一个 d 维的空间，在一个 m 维的空间中 (m > d) 被扭曲之后的结
manifold learning 流形学习 matlab
12-28
比如，可以使用Matlab中的Statistics and Machine Learning Toolbox来实现基于流形学习的无监督降维算法，例如局部线性嵌入（LLE）、等距映射（Isomap）和拉普拉斯特征映射（LE）。这些算法可以帮助我们找到数据集中...
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