11种降维算法实现

最新推荐文章于 2020-11-10 15:12:24 发布
最新推荐文章于 2020-11-10 15:12:24 发布
阅读量1k 收藏 16
点赞数
分类专栏： 降维算法 文章标签： 降维算法
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/yingdajun/article/details/103395957
版权

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-

南楚巫妖
关注
  • 0
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
常见的降维算法
在服务器上挂载OSS_bucket
01-11 1252
常见的降维算法： 线性方法 主成分分析（Principal Component Analysis,PCA）、 对应分析（Correspondence Ahalysis,CA)、 多重对应分析（Multiple Corresspondence Analysis,MCA）、 经典多维尺度分析（classical multidimensional scaling,cMDS）、 主坐标分析（Principal Coordinate Analysis,PCoA）。
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...
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...
11个经典降维算法（AutoEncoder、ICA、ISOMAP、LDA、LLE、T-SNE等）
04-01
python实现
十一种算法总结.pdf
02-22
PCA是一种无监督学习的特征降维技术，用于提取主要特征并去除冗余数据。通过计算数据的协方差矩阵，PCA可以找到数据的主要成分。在Python中，可以使用`sklearn.decomposition.PCA`进行PCA操作，获取特征向量和各...
数字图像处理与分析算法
最新发布
08-27
11. **光流运动估计**：光流算法如LK（Lucas-Kanade）算法用于估计连续帧间像素的运动，广泛应用于视频分析和物体跟踪。 12. **人脸识别**：PCA（主成分分析）和LDA（线性判别分析）是常用的人脸识别算法，通过降维...
常用数据挖掘算法总结及Python实现 文字版+code
04-21
本书适合有志于从事数据挖掘的初学者，需要的朋友可看看 第一部分 数据挖掘与机器学习数学基础3 第一章 机器学习的统计基础3 第二章 探索性数据分析（EDA） .11...案例四 KNN 算法实现葡萄酒价格模型预测及交叉验证107
降维技术matlab工具箱
09-08
这个MATLAB工具箱为用户提供了方便的接口，可以快速实现各种降维算法，便于实验和比较不同方法的效果。在实际应用中，选择哪种降维技术取决于具体的数据特性和任务需求，例如数据的线性/非线性结构、数据量、计算...
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。
在TensorFlow框架下实现DBN网络源码
08-19
在TensorFlow框架下实现DBN网络，帮助你快速的入门学习
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+...
降维
Line2333的博客
03-30 493
//个人学习记录，如有错误请指正 //大部分图片公式来源于《hand on machine learning with scikit-learn and tensorflow》 //部分公式来源于互联网 在机器学习中，我们通常需要处理大量的数据，当特征数量过多时，我们会遇到维度爆炸的问题。维度爆炸第一意味着数据量会非常多，数据会占用大量空间，第二数据过多还会造成训练时长过长，第三...
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
降维算法（PCA）
LanboCSDN的博客
10-30 1万+
降维方法1、主成分分析（PCA） 在PCA中，数据从原来的坐标系转换到新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复，重复次数为原始数据中特征的数目。我们会发现，大部分方差都包含在最前面的几个新坐标轴中。因此，我们可以忽略余下的坐标轴，即对数据进行降维处理。2、因子分析（Fact
降维算法实现原理
weixin_41857483的博客
11-10 2064
0. 前言 上篇博客对于维度以及降维相关概念进行了说明，下面将学习什么是PCA，什么是SVD？ 1. PCA & SVD 前面也提到了，降维就是要减少特征的数目，也就是说会删除一部分数据，而在训练模型的时候，数据减少可能会影响模型的最终表现。除此之外，高维数据中，有一些特征是无效的，还有些特征可能是线性相关的。如果能有一种算法可以衡量特征上的信息，使得在降维的过程中，在减少特征数量的同时又能保留更多的有效的信息(想兼得鱼和熊掌)。也就是说，将那些重复的信息（线性相关的）合并一下，把无效的特征删除掉，
机器学习-降维算法(MDS算法)
热门推荐
lyn5284767的专栏
08-08 2万+
一，介绍 在现实数据中，很多数据都是高纬度的，在高纬度情况下进行数据处理将会有极大的数据处理量。为了，减少计算量，常常需要缓解这种数据维度灾难，这有两种途径：降维和特征选择。 我们在这里介绍其中一种降维算法：MDS算法。MDS算法要求原始空间中样本之间的距离在低维空间中得以保持。但是为了有效降维，我们往往只需要降维后的距离与原始空间距离尽可能接近即可。 要学习MDS算法，首先，我们要了解范数...
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...
python实现pca降维
03-30
PCA（Principal Component Analysis）主成分分析是一种常见的数据降维方法，它通过对数据的协方差矩阵进行特征分解，选取特征值较大的特征向量作为主要成分，实现数据降维。 以下是Python实现PCA降维的示例代码： ```python import numpy as np # 定义PCA类 class PCA: def __init__(self, n_components): self.n_components = n_components self.components = None self.mean = None # 训练PCA模型 def fit(self, X): # 计算均值 self.mean = np.mean(X, axis=0) # 将数据中心化 X = X - self.mean # 计算协方差矩阵 cov = np.cov(X.T) # 计算特征值和特征向量 eigenvalues, eigenvectors = np.linalg.eig(cov) # 将特征向量按照特征值大小排序 eigenvectors = eigenvectors.T idxs = np.argsort(eigenvalues)[::-1] eigenvalues = eigenvalues[idxs] eigenvectors = eigenvectors[idxs] # 选取前n_components个特征向量作为主成分 self.components = eigenvectors[0:self.n_components] # 将数据转换为主成分空间 def transform(self, X): # 将数据中心化 X = X - self.mean # 将数据投影到主成分空间 return np.dot(X, self.components.T) # 示例 X = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]) pca = PCA(n_components=2) pca.fit(X) X_pca = pca.transform(X) print(X_pca) ``` 运行结果为： ``` [[-5.19615242e+00 0.00000000e+00] [-1.73205081e+00 0.00000000e+00] [ 1.73205081e+00 0.00000000e+00] [ 5.19615242e+00 0.00000000e+00]] ``` 代码中首先定义了一个PCA类，并在类中实现了fit和transform方法。fit方法用于训练PCA模型，计算数据的协方差矩阵、特征值和特征向量，并选取前n_components个特征向量作为主成分。transform方法用于将数据转换为主成分空间，即将数据投影到主成分向量上。 在示例中，我们构造了一个4行3列的矩阵X作为输入数据，然后创建了一个PCA对象，并将n_components设置为2。接着调用fit方法训练PCA模型，并调用transform方法将数据转换为主成分空间。最后输出转换后的数据X_pca。 需要注意的是，PCA算法对数据的缩放和归一化比较敏感，因此在使用时需要先对数据进行预处理。此外，PCA算法还有一些变体，如Kernel PCA，可以处理非线性数据。

“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

打赏作者

南楚巫妖

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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