局部保留投影--lpp真心好

本文转自原博客

仅用于学习

http://people.cs.uchicago.edu/~niyogi/papersps/Laplacianface.pdf     论文


http://blog.csdn.net/qq_18343569/article/details/50144643                blog    含推导过程  非常好



   流形算法的主要思想是能够学习高维空间中样本的局部邻域结构,并寻找一种子空间能够保留这种流行结构,

使得样本在投影到低维空间后,得到比较好的局部近邻关系

  所谓流形,是指高维样本空间中呈现的一种低维的局部性的结构。局部保留投影(LPP)
方法是通过构建空间中各样本对之间的远近亲疏关系,并在投影中保持这种关系,在降维的
同时保留空间中样本的局部邻域结构, 即在低维空间中最小化近邻样本间的距离加权平方和,

也可以理解为尽量避免样本集的发散,保持原来的近邻结构。

找出合适的 映射   







  • 2
    点赞
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
局部保留投影算法(LPP)是一种用于降维和数据表示的非线性技术。它是PCA(主成分分析)的一种替代方法,可以在高维数据位于低维流形上时进行投影LPP通过求解流形上的Laplace Beltrami算子特征函数的最优特征逼近,得到局部保持投影。这意味着LPP会尽量保持数据点之间的局部关系,使得在投影后的低维空间中,相邻的数据点仍然保持接近的距离。 LPP的主要步骤如下: 1. 构建数据的邻接图:根据数据点之间的距离或相似度,构建一个邻接图,其中每个数据点都与其最近的邻居相连。 2. 计算权重矩阵:根据邻接图,计算每个数据点与其邻居之间的权重,用于衡量它们之间的关系。 3. 构建拉普拉斯矩阵:使用权重矩阵构建拉普拉斯矩阵,它可以捕捉数据点之间的局部关系。 4. 计算特征向量:通过求解拉普拉斯矩阵的特征值和特征向量,得到最优的投影方向。 5. 降维:选择最重要的特征向量,将数据投影到低维空间中。 以下是一个使用LPP算法进行降维的示例代码: ```python from sklearn.datasets import load_iris from sklearn.decomposition import PCA from sklearn.manifold import LocallyLinearEmbedding # 加载数据集 iris = load_iris() X = iris.data # 使用LPP进行降维 lle = LocallyLinearEmbedding(n_components=2) X_lle = lle.fit_transform(X) # 使用PCA进行降维 pca = PCA(n_components=2) X_pca = pca.fit_transform(X) # 打印降维结果 print("LPP降维结果:") print(X_lle) print("PCA降维结果:") print(X_pca) ```

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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