自动编码器可用于特征提取和降维。 它们也可以与受限玻尔兹曼机器结合使用深度学习应用程序,例如“深层信念网络”。 它具有“编码器”和“解码器”两个阶段,“编码器”将逐步压缩输入,在压缩过程中选择最重要的功能。 解码器与编码器相反,它可以尽可能地重新创建输入。
拉普拉斯特征映射将处于流形上的数据,在尽量保留原数据间相似度的情况下,映射到低维下表示。 求解广义特征向量,取前几个非零最小特值对应的特向,即为原数据在低维下的表示。 6. 深度学习SparseAutoEncoder 稀疏自编码就是用少于输入层神经元数量的隐含层神经元去学习表征输入层的特征,相当于把输入层的特征压缩了...
下列方法中,可以用于特征降维的方法包括? A、主成分分析 PCA B、线性判别分析 LDA C、AutoEncoder D、矩阵奇异值分解 SVD
百度试题 题目下列方法中,可以用于特征降维的方法包括( )。 A.PCAB.AutoEncoderC.LDAD.SVD相关知识点: 试题来源: 解析 A,B,C,D
下列关于自动编码器的描述正确的是 A、自动编码器(autoencoder) 网络只有一个部分组成,即一个编码器函数h = f(x)。传统上,自动编码器被用于降维或特征学习。 B、自动编码器(autoencoder) 网络可以看作由两部分组成:一个编码器函数h = f(x) 和一个生成重构的解码器r = g(h
下列方法中,不可以用于特征降维的方法包括( ) A. 主成分分析PCA B. 线性判别分析LDA C. 深度学习SparseAutoEncoder D. 矩阵奇异值分解SVD E. 最小二乘法LeastSquares 点击查看答案进入小程序搜题 你可能喜欢 智慧树知到《对话大国工匠致敬劳动模范(中国劳动关系学院)》2023章节测试答案-8 点击查看答案进入小程...
6. 深度学习SparseAutoEncoder 稀疏自编码就是用少于输入层神经元数量的隐含层神经元去学习表征输入层的特征,相当于把输入层的特征压缩了,所以是特征降维。 7. 矩阵奇异值分解SVD 在PCA算法中,用到了SVD,类似PCA,可以看成一类。 8. LLE局部线性嵌入
百度试题 结果1 题目下列方法中,可以用于特征降维的方法包括() A. 主成分分析PCA B. 线性判别分析LDA C. 深度学习SparseAutoEncoder D. 矩阵奇异值分解SVD E. 最小二乘法LeastSquares 相关知识点: 试题来源: 解析 :ABCD 反馈 收藏
AutoEncoder进行end-to-end的训练,不断提高其准确率,而通过设计encode和decode过程使输入和输出越来越接近,是一种无监督学习过程。它类似于机器学习中的PCA算法,AutoEncoder的主要功能是将数据压缩之后得到的降维的特征值,这一中间结果正类似于PCA的结果,这也正是原始数据的最本质特征。