PCA-LPP特征提取特征降维

最新推荐文章于 2025-03-12 01:28:35 发布

机器猫001

最新推荐文章于 2025-03-12 01:28:35 发布

阅读量1.2k

点赞数 6

分类专栏：特征提取和降维文章标签： python

本文链接：https://blog.csdn.net/m0_61363749/article/details/120144276

版权

特征提取和降维专栏收录该内容

11 篇文章

订阅专栏

PCA-LPP代码实现

文章目录

PCA-LPP代码实现

0.引言

提出集合主成分分析与局部保持嵌入的流形学习特征降维方法。该方法通过结合主成分分析(PCA)与局部保持嵌入(LPP)各自优点，兼具最大化保留数据的全局结构特性与局部结构特性，更利于提取原始数据集中的低维流行有效信息。最后，采用UCI数据集进行降维可视化分析。

1.原理

1.1 PCA目标函数

PCA的核心是通过投影矩阵A将高维数据降成低维数据，实现数据沿该坐标系的分布方差最大化，能够实现最大化保持数据的全局结构特性，其目标函数如下：

$m a x t r (A^{'} X X^{'} A)$

1.2 LPP目标函数

$m i n t r (A^{'} X L X^{'} A); L = D - W; s t . A^{'} X D X^{'} A = I$

1.3 PCA-LPP原理

$m a x t r (l A^{'} X X^{'} A - (1 - l) A^{'} X L X^{'} A); s t . A^{'} X D X^{'} A = I; 其中： l 是用于平衡 P C A 与 L P P 这两个目标函数的权重系数$

2.方案验证

clc;clear;close all
load wine;fea=double(wine);gnd=wine_labels;
options = [];
options.Metric = 'Euclidean';
options.NeighborMode = 'KNN';
options.k = 10;
options.t = 1;
options.delta=100;
options.bSelfConnected = 1;
options.WeightMode = 'HeatKernel';
options.ReducedDim = 6;
options.PCARatio = 1;
W = constructW(fea);
%[eigvector1, eigvalue1, meanData, Y]=PCA(fea, options);
%[eigvector2, eigvalue2, Y] = LPP(fea, W, options);
[eigvector3,eigvalue3, Y] = PCALPP(fea,W,options);
    
%% 特征可视化
figure
for i=1:max(gnd)
    n=find(gnd==i);
    plot3(fea(n,1),fea(n,2),fea(n,3),'*')%原始数据
    hold on
    grid on
end

mappedX1=Y;
figure
for i=1:max(gnd)
    n=find(gnd==i);
    plot3(mappedX1(n,1),mappedX1(n,2),mappedX1(n,3),'*')
    hold on
    grid on
end
legend('1','2','3')

在这里插入图片描述图1 原始数据可视化