基于 Python 的 11 种经典数据降维算法|LPP(Locality Preserving Projections)

最新推荐文章于 2021-11-01 22:11:51 发布
最新推荐文章于 2021-11-01 22:11:51 发布
阅读量2.8k 收藏 7
点赞数 1
分类专栏： python 数据挖掘 文章标签： 算法 python
原文链接：https://blog.csdn.net/qq_39187538/article/details/90402961
版权

LPP(Locality Preserving Projections)

LPP 即局部保留投影算法，其思路和拉普拉斯特征映射类似，核心思想为通过最好的保持一个数据集的邻居结构信息来构造投影映射，但 LPP 不同于 LE 的直接得到投影结果，它需要求解投影矩阵。
在这里插入图片描述

LPP 降维算法展示
Luara_lyy
关注
  • 1
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
PCA、LPP及两者正交改进的特征提取特征降维算法
m0_61363749的博客
09-16 1706
正交PCALPP代码实现 文章目录正交PCALPP代码实现0.引言1.原理1.1 PCA目标函数1.2 LPP目标函数1.3 CVPCALPP原理2.方案验证3.结论 0.引言 ​ 传统基于主成分分析 (Principal component analysis, PCA) 的数据降维方法在提取有效特征信息时只考虑全局结构保持而未考虑样本间的局部近邻结构保持问题, 本文提出一种改进全局结构保持算法的特征提取与降维方法，改进的特征提取与降维方法将流形学习中局部结构保持 ( Locality preservin
python-特征降维算法LPP的python实现.zip
最新发布
02-18
局部线性嵌入（Locality Preserving Projections, LPP）是由He和Niyogi在2003年提出的一种降维方法。LPP的核心思想是保留原始数据的局部相似性。在高维空间中，数据点的近邻关系被看作是其在低维空间中应保持的重要...
使用Python进行数据降维｜线性降维
早起Python
03-15 2104
前言 为什么要进行数据降维？直观地好处是维度降低了，便于计算和可视化，其深层次的意义在于有效信息的提取综合及无用信息的摈弃，并且数据降维保留了原始数据的信息，我们就可以用降维的数据进行机器学习模型的训练和预测，但将有效提高训练和预测的时间与效率。 降维方法分为线性和非线性降维，非线性降维又分为基于核函数和基于特征值的方法(流形学习)，代表算法有 线性降维方法：PCA ICA LDA LFA ...
机器学习基础---降维方法---局部保持投影（LPP）推导
jkgghvfuj的博客
11-01 2192
LPP 方法概述 核心思想 有映射Ym∗n=f(Xd∗n)\underset{m*n}{Y}=f(\underset {d*n}X)m∗nY​=f(d∗nX​)，能够实现将d维的样本变换到m维空间之中 假设：对于一个好的降维方法，在高维空间下距离近（相似度高）的两个点，在低维空间下依旧保持相近的关系 考虑映射Y=WTXY=W^TXY=WTX，即原样本空间中有xix_ixi​与xjx_jxj​距离近，yiy_iyi​与yjy_jyj​ (yi=WTxiy_i=W^Tx_iyi​=WTxi​)仍保持相近关系
数据降维方法总结
热门推荐
sqiu_11的博客
10-30 2万+
Introduce经过这几天面试后，我发现数据降维这一块在工业界用的很多或者说必不可少，因此，这方面需要重点关注。今天，我将数据降维总结于此，包括他人成果，这里对他们的内容表示感谢。Method对数据降维作用有多个角度的理解。吴恩达在他的视频中说，降维是用于数据压缩，降低噪声，防止运行太慢内存太小；当降到2或3维可以可视化操作，便于数据分析；不要将降维用于防止过拟合，容易去掉和标签有关的重要特征。但
LPP: Locality Preserving Projections matlab
06-21
LPP: Locality Preserving Projections % Note: After applying some simple algebra, the smallest eigenvalue problem: % data^T*L*data = \lemda data^T*D*data % is equivalent to the largest eigenvalue ...
Locality Preserving Projections
03-02
局部保持投影（Locality Preserving Projections, LPP）是一种非线性降维技术，广泛应用于机器学习领域，特别是在数据挖掘、图像处理以及模式识别等方面。LPP的核心思想是尽可能地保持数据在低维空间中的局部结构，...
Locality preserving discriminant projections for face and palmprint recognition
02-06
is proposed by adding the criterion of maximum margin criterion (MMC) into the objective function of locality preserving projections (LPP). LPDP retains the locality preserving characteristic of LPP ...
LPP局部保持映射Locality Preserving Projections
07-15
局部保持映射（Locality Preserving Projections，简称LPP）是数据挖掘和机器学习领域中的一个重要算法，由何晓飞教授在2003年提出。它是一种针对高维数据进行降维处理的方法，特别适用于保留数据的局部结构。LPP在...
经典降维算法局部保持投影LPP算法代码
03-17
经典降维算法局部保持投影LPP算法的matlab代码，希望对需要降维算法的童鞋有所帮助
LPP算法的matlab实现
06-08
用matlab实现LPP算法，LPP算法在人脸等生物识别中具有广泛的应用
LPP算法常用实验数据
06-04
有ORL，PIE，USPU，Yale等数据，都是matlab可用数据
基于谱回归判别分析的LPP算法
10-18
判别局部保持投影DLPP算法在计算过程中需要解决稠密矩阵特征分解问题，这使得该算法在时间和内存上消耗都非常高。谱回归判别分析SRDA算法可以有效的节省时间和内存的消耗。基于SRDA，提出一种改进的局部保持投影LPP算法——谱回归判别局部保持投影算法SRDLPP。实验结果表明，该算法可以提高识别率，同时降低时间和内存消耗。
可实现的LPP算法代码
11-14
局部保持投影算法 LPP 有数据mat 可以实现
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
python入门demo
lpp_dd的博客
02-03 1万+
#coding=utf-8 #python中list l = [95.5,85,59] #指定索引位置插入元素 l.insert(0,1); #删除指定索引位置元素 y = l.pop(2) #直接替换值 l[1] = 100 #创建final属性的list 在python中叫做 tuple:元组 t = ('a',2,3) #元组中嵌套list t2 = (1,2,[3,4]) ''' p
【机器学习】局部保持投影LPP
evillist的博客
07-11 6731
局部保持投影
局部保持投影与领域保持投影的区别
09-21
### 回答1： 局部保持投影（Locality Preserving Projection，LPP）和领域保持投影（Neighborhood Preserving Projection，NPP）都是常见的数据降维方法，它们的区别在于保持的对象不同。 LPP 的目标是保持样本之间的局部关系，即将相邻的样本在降维后仍然保持相邻。因此，LPP 在降维后能够保留数据局部的几何结构，但可能会丢失全局结构。 NPP 的目标是保持样本之间的全局关系，即将在同一类别内的样本在降维后仍然保持相邻，而不同类别之间的样本则尽量远离。因此，NPP 在降维后能够保留数据的全局结构，但可能会忽略数据的局部结构。 总之，LPP 侧重于保留数据的局部结构，NPP 侧重于保留数据的全局结构。在选择投影方法时，应根据具体问题的需求来选择。 ### 回答2： 局部保持投影和领域保持投影都是一种数据降维的方法，目的是通过对数据进行映射，将高维数据映射到低维空间中，从而降低数据的维度。 局部保持投影（Locally Preserving Projection）是一种基于局部邻近关系的降维方法。其思想是在保持数据的局部结构的前提下，通过投影将高维数据映射到低维空间中。局部保持投影首先选择一组数据点的邻近点，然后计算这些邻近点在低维空间中的投影点，使得投影后的低维数据点能够尽可能地保持原始数据在原始空间中的邻近关系。局部保持投影适用于非线性数据结构，能够较好地保持数据的局部结构，但对于全局结构的保持相对较差。 领域保持投影（Neighborhood Preserving Projection）是一种基于全局邻近关系的降维方法。其目标是通过投影将高维数据映射到低维空间中，同时尽可能地保持原始数据的全局结构。领域保持投影会计算每个数据点之间的全局邻近关系，并通过投影将具有相似邻近关系的数据点映射到低维空间中的相似位置，从而保持数据的全局结构。领域保持投影适用于线性数据结构，能够较好地保持数据的全局结构，但对于非线性数据结构的保持相对较差。 综上所述，局部保持投影和领域保持投影的区别在于它们保持数据结构的方式不同。局部保持投影注重保持数据的局部结构，适用于非线性数据结构；而领域保持投影注重保持数据的全局结构，适用于线性数据结构。 ### 回答3： 局部保持投影与领域保持投影是计算机视觉中常用的特征提取方法。 局部保持投影是基于图像的局部特征进行分析的一种方法。它将图像分割成小的局部区域，并在每个区域内计算特征。这些特征可以是局部的边缘、纹理或颜色等信息。然后，通过对这些特征进行投影，生成每个区域的投影特征。局部保持投影关注于保持原图像中的局部特征，并且在提取特征时考虑了局部位置的作用。这种方法适用于对局部结构和纹理信息进行分析和识别的任务，例如物体检测和人脸识别。 领域保持投影是一种结合了局部特征和全局信息的特征提取方法。与局部保持投影不同，领域保持投影不仅考虑图像的局部特征，还考虑了它们之间的空间关系。它首先将图像划分为多个领域（例如重叠的小块），然后在每个领域内计算特征。接下来，通过考虑不同领域之间的相似性和空间关系，生成整个图像的投影特征。领域保持投影更加注重全局一致性和空间信息的保持，适用于更复杂的任务，如图像分类和图像检索。 总的来说，局部保持投影和领域保持投影都是特征提取的方法，但它们的主要区别在于特征计算的粒度和是否考虑了空间关系。局部保持投影更注重局部特征的保持，而领域保持投影则更注重整体特征和空间关系的保持。具体应用中，选择哪种方法取决于任务的要求和实际情况。

“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