无监督学习-降维

最新推荐文章于 2022-09-22 10:30:56 发布
最新推荐文章于 2022-09-22 10:30:56 发布
阅读量715 收藏
点赞数
分类专栏： 机器学习
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/qq_30122883/article/details/88757648
版权

原因：

数据压缩

可视化数据

注意：降维后的特征可能不具有物理意义，或者偏向于之前的某几个特征

常用算法：PCA（主成分分析）

每个点到直线投影的距离很短，也即投影误差最小。

在做PCA之前，我们需要对数据进行均值归一化和特征规范化

降维过程：证明很复杂就是了

使用PCA可以提高学习算法的速度，但是不能用来防止过拟合

注意降维前和还原后的数值还是有差别的，但是服从的分布确实相似的

 

JustSleep
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
无监督学习：无监督降维
沈春旭的博客
06-14 8280
1.前言 如果输入样本x的维数增加的话，不论是什么机器学习算法，其学习时间都会增加，学习过程也会变得更加困难。例如，假设在一维空间的{0,1}区间里有5个训练样本。以相同的密度在d次维空间里配置相同种类的训练样本的话，最终的样本数目就达到了5^d个。如下图所示： 高维空间的一个例子。当维数d很大的时候，收集并计算多达5^d个的训练样本是相当 困难的。因此，在高维空间中，训练样本也
吴恩达机器学习[15]-无监督学习之 降维、主成分分析
踏归 的博客
08-06 678
吴恩达机器学习
【无监督学习：数据降维】吴恩达机器学习（14）
verse_armour的博客
09-22 589
PCA
新兴机器学习算法：从无监督降维到监督降维
热门推荐
沈春旭的博客
06-18 1万+
1.前言 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可能是显式的或隐式的、线性的或非线性的。 目前大部分降维算法处理向量表达的数据，也有一些降维算法处理高
无监督学习——降维
大胖东的博客
08-21 1146
无监督学习——降维 PCA算法及其应用 1.主成分分析（PCA） 1.主成分分析(Principal Component Analysis,PCA) 是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用做数据压缩和预处理等。 2.PCA可以把具有相关性的高维变量合成为线性无关的低维变量，称为主成分。主成分能够尽可能保留原始数据的信息。 在介绍PCA的原理之前需要回顾涉及到的相关术语：...
07-提交-无监督学习-降维-PCA-鸢尾花.pdf
09-22
07-提交-无监督学习-降维-PCA-鸢尾花.pdf
无监督学习之PCA降维
01-21
无监督学习：通过无标签的数据，学习数据的分布或数据与数据之间的关系。 1. 降维算法 1 定义：用低维的概念去类比高维的概念．将高维的图形转化为低维的图形的方法。 1.1. 算法模块 ：PCA算法、NMF（非负矩阵分解）...
无监督学习PCA降维处理和K-means聚类
01-20
1、无监督学习 没有目标值（变量）的算法 常见的无监督学习算法： 降维： – 主成分分析PCA降维处理 聚类： – K-means（k均值聚类） 2、主成分分析 应用PCA实现特征的降维 ·定义：高维数据转化为低维数据的过程，...
计算机视觉-无监督学习人脸识别降维
最新发布
01-26
含ipynb文件和数据文件...代码内容详细，有注释，适合有python基础的深度学习新手。 数据来自耶鲁大学人脸数据库B+。 代码在ubuntu18.04下使用python3.9编写，运行时采用GPU运行。如无GPU，可自行将cupy换成numpy运行。
机器学习实战项目——无监督聚类&PCA tSNE降维.zip
04-11
机器学习实战项目——无监督聚类&PCA tSNE降维.zip
无监督学习：线性降维
dugudaibo的博客
01-15 2843
无监督学习可以大概分为两类：一类是化繁为简，主要是聚类和降维；另一类是无中生有，主要是生成算法。在这里我们主要介绍聚类和降维部分。 1. 聚类算法 1.1 K-means聚类   略 1.2 层次聚合聚类（Hierarchical Agglomerative Clustering，HAC）   略 1.3 分布式表征   有的时候仅仅用一类标签没有办法将数据的类别完整
机器学习（十四）无监督学习：降维
weixin_53312629的博客
03-10 4034
本篇文章主要介绍了降维的相关内容，以及两个应用：数据压缩可以使得某些算法运行得更快；可视化部分则是将数据画出来并更好的理解他们。在使用 PCA 之前首先要进行数据预处理。PCA 所做的是尝试找到一个面或线，把数据投影到这个面或线上，以便于最小化平方投影误差。主成分数字选择中介绍了一种高效的方法来选择 k。文中总结了 PCA 的主要应用，也指出了两个误区并给出了相应的建议：使用 PCA 来防止过拟合可能会导致重要数据的丢失；在设计一个机器学习系统时，只有在原始数据训练学习算法不能达到目的时才考虑使用压缩表示。
无监督学习之降维方法(PCA,SNE,t-SNE)
rosefun96的博客
10-21 5073
1. PCA 2.t-SNE 待补充 参考： 1.t-SNE 知乎; 2. PCA 原理;
无监督学习之特征降维-主成分分析
King_key的博客
02-07 1936
1 特征降维是无监督学习的应用之一，主成分分析是最为经典和实用的特征将维技术，尤其是在辅助图像识别方面   实验数据：手写体数字图像 全集数据 2 实验代码及结果截图 #coding:utf-8 import numpy as np import pandas as pd #读取训练数据和测试数据 digits_train=pd.read_csv('https://a
机器学习—无监督学习—降维(简单入门与调库实现)
柳成荫
07-27 723
一、降维—数据压缩 这样做的问题在于，降维的算法只负责减少维数，新产生的特征的意义就必须由我们自 己去发现了。 二、主成分分析—PCA 主成分分析（PCA）是最常见的降维算法 在PCA中，要做的是找到一个方向向量（Vector direction），当把所有的数据都投射到该向量上时，希望投射距离均方差能尽可能地小。 方向向量是一个经过原点的向量，而投射误差是从特征向量向该方向向量作垂线的长度...
用matlab画大数据曲线_基于MATLAB的大数据分析
weixin_39976166的博客
12-20 768
王媚摘要：传统计算机模式与MATLAB软件技术相比较，传统软件运行起来较为复杂。以此基于MATLAB软件下的网络数据技术，它以高速化、关联化的优势成为人们眼中的焦点。本文针对传统网络软件模式中出现的问题，对基于MATLAB大数据技术进行探究。关键词：MALAB软件;网络媒体;大数据;技术研究中图分类号：TP332 文献标识码：A 文章编号：1007-9416(2019)12-0212-02现今，利...
常见监督学习、聚类、集成、降维、推荐算法汇总（一）：监督学习
Kingsleyandher的博客
08-21 1745
前言 监督学习最简单的理解就是给数据打上标签后让机器进行学习的模式。 支持向量机（SVM） 硬间隔最大化支持向量机 目的： 寻找能达到最优分类的超平面，并且使其具有最优的鲁棒性，即最好的泛化能力。 感知机： 以误分类最小为策略（解） 支持向量机： 以间隔最大化为策略（存在最优解） 函数间隔和几何间隔的差别？ 答：一般来说一个点距离超平面的远近可以衡量预测的确信程度。函数间隔可以表示分类预测的正确性以及准确度，但是成比例的改变超平面的参数，在超平面不变的情况下，函数间隔也会增加。为了解决这个问题就将超平面的参
机器学习-降维方法-有监督学习：LDA算法(线性判别分析)【流程：①类内散度矩阵Sw-＞②类间散度矩阵Sb-＞计算Sw^-1Sb的特征值、特征向量W-＞得到投影矩阵W-＞将样本X通过W投影进行降维】
u013250861的博客
10-29 3535
LDA 是一种有监督学习算法，同时经常被用来对数据进行降维。 相比于PCA，LDA可以作为一种有监督的降维算法。在PCA中，算法没有考虑数据的标签（类别），只是把原数据映射到一些方差比较大的方向上而已。 LDA的中心思想：投影后类内方差最小，类间方差最大。要将数据在低维度上进行投影，投影后希望每一种类别数据的投影点尽可能的接近，而不同类别的数据的类别中心之间的距离尽可能的大。 现在我们首先从比较简单的二类LDA入手，严谨的分析LDA的原理： 假设我们的数据集D={(x1,y1),(x2,y2),...,
无监督学习之降维鸢尾花结果分析
06-02
降维是一种常用的无监督学习方法，可以帮助我们将高维数据降低到低维空间中，从而更好地进行数据分析和可视化。在鸢尾花数据集上进行降维分析可以帮助我们更好地理解数据集的特征和结构。 具体地，我们可以使用...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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