基于特征值的非线性降维方法(流型学习)——ISOMAP、LLE、LE、LPP、LTSA、MVU 哈尔滨工业大学计算机技术专业的在读硕士生 Heucoder 则整理了 PCA、KPCA、LDA、MDS、ISOMAP、LLE、TSNE、AutoEncoder、FastICA、SVD、LE、LPP 共 12 种经典的降维...
Isomap(Isometric Mapping)在保持数据点之间的地理距离,即在原始高维空间中的测地线距离或者近似的测地线距离,在低维空间中也被保持。Isomap的基本思想是通过在高维空间中计算数据点之间的测地线距离(通过最短路径算法,比如Dijkstra算法),然后在低维空间中保持这些距离来进行降维。在这个过程中,Isomap利用了流形假设,即假...
Isomap from sklearn.manifold import Isomap def isomap_dimensionality_reduction(X, num_components=2, n_neighbors=5): """ 使用 Isomap 进行降维。 参数: - X: pandas DataFrame,包含原始特征。 - num_components: int,选择的成分数量。 - n_neighbors: int,构建图时使用的邻居数量。 返回: - pandas Dat...
针对主成分数据降维的效果,可以使用其前3个主成分,利用可视化的方式,查看算法的数据降维效果。 3: 流形学习——等距映射 流形学习中的等距嵌入降维算法,可以通过Isomap()来完成,下面的程序是通过流形学习,将手写数字数据集降维到3维空间中,然后使用可视化的方式绘制降维后的3D散点图。 ## 流形学习将数据降维到3维...
stress表示原始数据降维后的距离误差之和 6、等度量映射(Isomap)降维 输入:样本集D,近邻参数k,低维空间维数n’ 输出:样本集在低维空间中的矩阵Z 算法步骤: 1)对每个样本点x,计算它的k近邻;同时将x与它的k近邻的距离设置为欧氏距离,与其他点的距离设置为无穷大 ...
4.Isomap 等距映射 一种基于多维尺度思想非线性降维算法。在高维空间构建近邻距离,将距离作为低维空间的欧式距离,采用多维尺度保持距离比例关系,从而学习非线性映射。Isomap通过维持局部距离比例提取数据的全局非线性流形结构,适用于具有复杂曲面结构的数据,克服了线性降维的局限性,常用于手写数字等数据的降维与可视化。
defplot_Isomap_k(*data):'''测试 Isomap 中 n_neighbors 参数的影响,其中降维至 2维'''X,y=data#n_neighbors参数的候选值的集合Ks=[1,5,25,y.size-1] fig=plt.figure()fori, kinenumerate(Ks): isomap=manifold.Isomap(n_components=2,n_neighbors=k)#原始数据集转换到二维X_r=isomap.fit_transfo...
线性降维方法:PCA 、ICA LDA、LFA、LPP(LE 的线性表示) 非线性降维方法: 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 哈尔滨工业大学计算机技术专业的在读硕士生 Heucoder 则整理了 PCA、KPCA、LDA、MDS、ISOMAP、LLE、TSNE、Aut...
6、等度量映射(Isomap)降维 输入:样本集D,近邻参数k,低维空间维数n’ 输出:样本集在低维空间中的矩阵Z 算法步骤: 1)对每个样本点x,计算它的k近邻;同时将x与它的k近邻的距离设置为欧氏距离,与其他点的距离设置为无穷大 2)调用最短路径算法计算任意两个样本点之间的距离,获得距离矩阵D ...
线性降维方法:PCA 、ICA LDA、LFA、LPP(LE 的线性表示) 非线性降维方法: 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 哈尔滨工业大学计算机技术专业的在读硕士生 Heucoder 则整理了 PCA、KPCA、LDA、MDS、ISOMAP、LLE、TSNE、Aut...