流形学习
文章平均质量分 81
流形学习
Hsiungyw
这个作者很懒,什么都没留下…
展开
-
基于流形学习的标签分布
一,LLE思想求得权重系数 LLE假设数据在较小的局部是线性的,也就是说,某一个数据可以由它邻域中的几个样本来线性表示。 那么假如有一个样本 x1\pmb{x}_1xxx1,用 k-NN 思想找到和它最近的三个样本 x2,x3,x4\pmb{x}_2, \pmb{x}_3, \pmb{x}_4xxx2,xxx3,xxx4,我们就假设样本 x1\pmb{x}_1xxx1 可以由 x2,x3,x4\pmb{x}_2, \pmb{x}_3, \pmb{x}_4xxx2,xxx3,xxx4 线性表示原创 2021-11-25 21:12:25 · 488 阅读 · 0 评论 -
初步理解流形学习
参考 流形学习 流形学习认为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。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。 流形能够刻画数据的本质,即学习到了“将数据从高维空间降维到低维空间,还能不损失信息”的映射。 那这个映射能够输入原始数据,并输出数据更本质的特征(就像压缩一样,用更少的数据能尽可能多地表示原始数据)。 如上图,如果我们观察到的数据是三维的,但其本质是一个二维流形。图上所标注的两个圈圈,在流形(把卷展开)上本距离非常远原创 2021-11-10 20:19:51 · 3236 阅读 · 0 评论