机器学习笔记 数据降维算法 降维本质:学习一个映射函数f:x→y,x为原始数据点表达,y是数据点映射后的低维向量。映射函数可以是显示或隐式的、线性或非线性的。主成分分析PCA算法: SVD降维:奇异值分解(SVD)等价于PCA主成分分析。 非线性降维方法: PCA基于线性降维,非线性处理方法有:核化线性降维(KPCA)、流形学习降维、多维
算法小白的第一次尝试---KPCA(核主成分分析)降维【实例对比分析PCA、LDA和KPCA】,程序员大本营,技术文章内容聚合第一站。
资源简介 本程序利用KPCA来对原始数据进行降维,里面有较为详细的注解,能够帮助大家理解,程序比较精简,是在前人的基础上进行的修改后的结果,运行绝对无错误。 代码片段和文件信息 %% ---绝对正确的KPCA降维算法---clcclose all;clear; load(‘C:\MATLAB\数据分解\ORtrain1.mat‘)X_train=ORtrain1;patterns...
其中AutoEncoder只是使用AutoEncoder简单的实现了一个PCA降维算法,自编码器涉及到了深度学习领域,其本身就是一个非常大领域 LE算法的鲁棒性极差,对近邻的选择和数据分布十分敏感 2019.6.20添加了LPP算法,但是效果没有论文上那么好,有点迷,后续需要修改
特征波长筛选算法有CARS,SPA,GA,MCUVE,光谱数据降维算法以及数据聚类算法PCA,KPCA,KNN,HC层次聚类降维,以及SOM数据聚类算法,都是直接替换数据就可以用,程序内有注释,直接替换光谱数据,以及实测值,就可以做特征波长筛选以及数据聚类,同时本人也承接光谱代分析,光谱定量预测分析建模和分类预测建模。
R语言拓展包--kernlab 是R中实现基于核技巧机器学习的扩展包,kernlab的算法群可以解决机器学习中分类、回归、奇异值检测、分位数回归、降维等诸多任务。 kernlab还包括支持向量机(SVM)、谱聚类、核主成分分析(KPCA)和高斯过程等算法。 这是师生共同努力的尝试,迭代进化,每天改进一点点.不经意间完成巨大的跨越. ...