常见的降维算法

最新推荐文章于 2021-07-02 14:49:20 发布
最新推荐文章于 2021-07-02 14:49:20 发布
阅读量1.2k 收藏 6
点赞数
分类专栏： data 文章标签： 算法 降维 机器学习 大数据 统计学习
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/weixin_39918388/article/details/112462597
版权

常见的降维算法：

线性方法

  1. 主成分分析（Principal Component Analysis,PCA）、

  2. 对应分析（Correspondence Ahalysis,CA)、

  3. 多重对应分析（Multiple Corresspondence Analysis,MCA）、

  4. 经典多维尺度分析（classical multidimensional scaling,cMDS）、

  5. 主坐标分析（Principal Coordinate Analysis,PCoA）。

以上这些方法，常用于保留数据的整体性；

非线性的方法

  1. 核主成分分析（Kernel Principal Component Analysis,Kernel PCA）、

  2. 非度量多维尺度分析（Nonmetric Multidimensional Scaling,NMDS）、

  3. 等度量映射（lsomap）、

  4. 扩散映射（Diffusion Maps）、

  5. t分布随机嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）在内的邻近嵌入技术

叶铁柱
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
四大降维算法的比较和一些理解（PCA、LDA、LLE、LEP）
weixin_43909872的博客
12-31 1万+
PCA Principle components analysis 主成分分析法：https://blog.csdn.net/weixin_43909872/article/details/85321384 它的目标是通过某种线性投影，将高维的数据映射到低维的空间中表示，并期望在所投影的维度上数据的方差最大，以此使用较少的数据维度，同时保留住较多的原数据点的特性。 缺点：PCA是用投影后方差大...
数据降维方法综述
03-10
里面主要描述了常见的数据降维算法，包括公式和yuan'li
10种常用降维算法源代码(python)
fengdu78的博客
06-16 1155
最近发现一位同学整理了一些经典的降维算法，并用python实现常见降维算法的代码，特此推荐。作者：超爱学习代码的github：https://github.com/heucoder/di...
机器学习降维算法一：PCA(主成分分析算法)
weixin_30577801的博客
09-22 431
引言： 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...
LDA和PCA降维总结
xu_fu_yong的专栏
07-13 2212
文章目录线性判别分析（LDA）LDA思想总结图解LDA核心思想二类LDA算法原理LDA算法流程总结LDA和PCA区别LDA优缺点主成分分析（PCA）主成分分析（PCA）思想总结图解PCA核心思想PCA算法推理PCA算法流程总结PCA算法主要优缺点降维的必要性及目的KPCA与PCA的区别 线性判别分析（LDA） LDA思想总结 ​ 线性判别分析（Linear Discriminant Analysi...
降维算法一览
weixin_34004750的博客
05-22 591
在机器学习中经常会碰到一些高维的数据集，而在高维数据情形下会出现数据样本稀疏，距离计算等困难，这类问题是所有机器学习方法共同面临的严重问题，称之为 “ 维度灾难 ”。另外在高维特征中容易出现特征之间的线性相关，这也就意味着有的特征是冗余存在的。基于这些问题，降维思想就出现了。 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。通过降维，可以方便数据可视化+数据分析+数据压缩+...
机器学习面试总结
weixin_43696243的博客
10-24 528
2020.10.23 一、除了主成分分析，还使用哪些降维方法。 高维情况下出现的数据样本稀疏、距离计算困难的问题，也叫”维数灾难“，缓解这种情况的一个重要途径是降维，”维数约简“，还有一种途径就是特征选择。 线性降维包括：主成分分析（PCA），奇异值分解（SVD），因子分析 以下都是非线性降维 现实任务中，直接使用线性降维方法对三维空间中的样本点进行降维，将丢失原本的低维结构。 KPCA（核主成分分析）,MDS（多维缩放）,lsomap(等度量/距离映射),LLE（局部线性嵌入） 1、多维缩放（Multip
一种新的降维算法PCA_LLE在图像识别中的应用.pdf
05-17
常见的降维算法有线性降维算法和非线性降维算法。线性降维算法包括PCA、Linear Discriminant Analysis（LDA）等；非线性降维算法包括LLE、Isomap、t-SNE等。 2. PCA算法的原理和应用 PCA算法是常用的线性降维算法...
降维算法LDA用于分类
04-02
本资源是机器学习常见方法LDA（线性判别分析）的源码，其主要功能类似于PCA，都属于降维算法。本次实现是依托于项目工程，裁剪掉了图像预处理特征提取部分，是降维算法在分类问题上的一次实现，为Matlab代码实现
Matlab技术降维算法与特征提取.docx
最新发布
08-05
主成分分析是一种常见的线性降维算法，通过找到理想的投影方向，将原始数据映射到新的低维空间。在 Matlab 的统计工具箱中，可以方便地使用 pca 函数进行主成分分析。该函数可以计算出主成分的方向和相应的投影系数...
数据降维方法汇总（中文）
04-21
很详细的各种主流数据降维方法原理的讲解，中文版的。
空间数据挖掘中的降维算法研究.pdf
04-16
常见的降维算法包括主成分分析(PCA)、独立成分分析(ICA)、多维尺度分析(MDS)、局部线性嵌入(LLE)以及Isomap等。 本研究提出了两种创新的降维算法： 1. 基于正交函数系和模糊C均值聚类(FCM)的时间序列聚类算法：通过...
对人脸识别特征数据降维算法的优化.pdf
09-23
【人脸识别特征数据降维算法的优化】 在模式识别领域，人脸识别技术因其无感知性和自然性而广泛应用。然而，与指纹识别、虹膜识别等其他生物识别方式相比，人脸识别的特征数据量较大，处理起来更具挑战性。为了提高...
综合案例——手写数字图像处理算法比较
前尘忆梦的博客
12-03 2475
手写数字图像识别各种算法的比较 1、lsomap+高斯朴素贝叶斯分类 1.1、加载并可视化手写数字 数据集选择： 选择的是使用 scikit-learn 中自带的手写数字数据集。 # 加载并可视化手写数字 from sklearn.datasets import load_digits digits = load_digits() print(digits.images.shape) # (1797, 8, 8) 可以看到这份图像数据是一个三维矩阵：一共有 1797 个样本，每张图像都是 8 像素 ×
11种降维算法实现
yingdajun的博客
12-04 1093
本人在百度上看到哈工大的硕士生实现了11种降维算法， 然后我也去看了一下，然后把这些代码自己运转了一边，写到了自己的Github地址上面。 https://github.com/yingdajun/PCA- ...
看！数据分析领域中最为人称道的七种降维方法
zdy0_2004的专栏
11-22 1万+
http://dataunion.org/20803.html 感谢王穆荣的投稿，转载请注明出处：数盟社区 近来由于数据记录和属性规模的急剧增长，大数据处理平台和并行数据分析算法也随之出现。于此同时，这也推动了数据降维处理的应用。实际上，数据量有时过犹不及。有时在数据分析应用中大量的数据反而会产生更坏的性能。 最新的一个例子是采用 2009 KDD Challenge 大数据集来预测客户
常用降维方法归纳
love198763的专栏
05-31 4300
降维方法分为线性核非线性降维，非线性降维又分为基于核函数和基于特征值的方法。 线性降维方法：PCA  ICA LDA  LFA  LPP(LE的线性表示) 基于核函数的非线性降维方法：KPCA  KICA  KDA  基于特征值的非线性降维方法（流型学习）：ISOMAP  LLE  LE  LPP  LTSA  MVU LLE（Locally Linear Embeddi
Isomap等距映射算法（1）
热门推荐
lucky_yang_的博客
01-04 1万+
在学习ISOMAP之前先了解一下流形，从最简单的情况来说，直线或曲线是一维流形，而平面或者球面是二维流形，可以以此类推到多维流行，不过高维的东西对我们来说很难想象。在论文中经常会看到“嵌入在高维空间中的低维流形”这种说法，怎么来理解呢，比如一块布，可以把它看成一个二维平面，这是一个二维的欧式空间（在我的理解中，欧式空间就是我们初中高中所学习的平面几何，立体几何中的空间），我们使它扭曲变形，它就变成了
sql行转列的3种方法
在服务器上挂载OSS_bucket
07-02 8444
行转列的3种方法 max(case when) pivot() 用存储过程行转列 准备数据 --创建表 create table Table_A ( 商家 string, 奶茶 string, 价格 bigint ); --插入数据 insert into Table_A(商家,奶茶,价格) values ('1点点','波霸奶茶',14), ('1点点','四季奶青',14), ('喜茶','波霸奶茶',21), ('CoCo','四季奶青',16
降维算法 matlab
07-28
在 MATLAB 中，有几种常用的降维算法可以使用。以下是其中一些常见的算法： 1. 主成分分析（Principal Component Analysis，简称 PCA）：PCA 是一种常用的无监督降维算法，可以将高维数据映射到低维空间中。在 MATLAB 中，可以使用 `pca` 函数实现 PCA。 2. 线性判别分析（Linear Discriminant Analysis，简称 LDA）：LDA 是一种有监督的降维算法，主要用于特征提取和分类。在 MATLAB 中，可以使用 `fitcdiscr` 函数实现 LDA。 3. 局部线性嵌入（Locally Linear Embedding，简称 LLE）：LLE 是一种非线性的降维算法，能够保持数据局部的线性结构。在 MATLAB 中，可以使用 `lle` 函数实现 LLE。 4. 多维尺度变换（Multidimensional Scaling，简称 MDS）：MDS 是一种基于距离矩阵的降维算法，可以将高维数据映射到低维空间中。在 MATLAB 中，可以使用 `mdscale` 函数实现 MDS。 5. 独立成分分析（Independent Component Analysis，简称 ICA）：ICA 是一种用于盲源分离和特征提取的降维算法。在 MATLAB 中，可以使用 `fastica` 函数实现 ICA。 这些算法仅是降维领域的一小部分，还有其他一些算法也可以在 MATLAB 中找到。你可以根据具体的需求选择适合的算法来进行降维。

“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