数据降维第22页

一个月刷完机器学习笔试题300题（16）

都是线性变换技术LDA是有监督的，而PCA是无监督的PCA最大化数据的方差，而LDA最大化不同类之间的分离A1和2B1和3C只有3D1、2和3正确答案是：D2、PCA是一种很好的技术，因为它很容易理解并通常用于数据降维

小哥哥th·2018-11-04 09:05

Autoencoder 自编码器

（百度百科）作用：特征提取、数据降维、生成式建模自编码器是一个3层或者大于3层的神经网络，将输入表达X编码为一个新的表达Y，然后再将Y

tiankong_hut·2018-11-02 19:30

机器学习之特征值/特征向量的解析和应用

机器学习中，矩阵的特征值/特征向量理论有着非常广泛的应用，比如数据降维[1]，人脸识别[2]等。本文主要介绍特征值/特征向量。

林微·2018-10-31 09:06

用PCA进行数据降维

用PCA算法对数据进行降维处理数据来源https://archive.ics.uci.edu/ml/datasets/automobile运行环境python3.7、PyCharm2018.2.4(CommunityEdition)思路根据所给数据及其说明可以看出，这是一个有关于汽车的数据集，有关于汽车规格的数据、指定的保险风险等级和使用中的损失，可以用于预测汽车的保险定级。数据集中共有205组数

YinliX·2018-10-29 22:39

机器学习--线性判别分析LDA

LDA是一种监督学习的数据降维方式：将带有标签的数据降维，投影到低维空间同时满足三个条件：尽可能多地保留数据样本的信息（即选择最大的特征是对应的特征向量所代表的的方向）。

暗夜猎手-大魔王·2018-10-25 18:57

深度学习（计算机视觉）面试中问题（二）

答：1、减小图像尺寸，数据降维。

搞视觉的张小凡·2018-10-05 22:13

深度学习（计算机视觉）面试中问题（二）

答：1、减小图像尺寸，数据降维。

搞视觉的张小凡·2018-10-05 22:13

opencv学习笔记六十六：FisherFace人脸识别算法

它和PCA类似，都是将原始数据映射到低维空间，但和PCA最大的区别就是它考虑了降维后数据的类间方差和类内方差，使得降维后的数据类间方差最大，类内方差最小，而PCA是使整体数据降维后的方差最大，没有考虑降维后类间的变化

东城青年·2018-09-29 09:58

opencv学习笔记六十五：EigenFace人脸识别算法

简要：EigenFace是基于PCA降维的人脸识别算法，PCA是使整体数据降维后的方差最大，没有考虑降维后类间的变化。它是将图像每一个像素当作一维特征，然后用SVM或其它机器学习算法进行训练。

东城青年·2018-09-28 15:34

Scikit-Learn各算法详细参数速查手册(中文)2018-09-11

L2正则23ElasticNet弹性网络正则3逻辑回归4线性判别分析决策树1回归决策树2分类决策树贝叶斯分类器1高斯贝叶斯分类器2多项贝叶斯分类器3伯努利贝叶斯分类器K近邻1KNN分类器2KNN回归器数据降维

jason_罗·2018-09-11 09:27

人脸识别中用主成分分析PCA来将数据降维--MATLAB代码

人脸识别的数据集，维度一般都比较高，在自己的电脑上跑这么高维的数据集，很多个人计算机需要跑很长时间，因此一般都需要改变图像大小或者是降维。常用的方式有以下几种，最普通的是改变图像的大小，是用的MATLAB自带的imresize函数来直接改变图像的大小，如何使用请自行查询。其次就是降维，基本的降维方式主要是PCA和LDA两种，复杂的我也曾用过自编码器降维。本文主要讲述的是用PCA的方式降维人脸数据集

watermelon_learn·2018-09-03 13:55

【机器学习】主元分析（PCA）以及与SVD的区别联系

主元分析也就是PCA，主要用于数据降维。1什么是降维？

zhaosarsa·2018-09-02 17:22

如何理解主元分析（PCA）？

主元分析也就是PCA，主要用于数据降维。1什么是降维？

马同学高等数学·2018-08-31 12:03

数据降维

[b]解释降维(dimensionalityreduction)，降维在哪里使用，降维的好处是什么?[/b]降维是通过获得一组基本上是重要特征的主变量来减少所考虑的特征变量的过程。特征的重要性取决于特征变量对数据信息表示的贡献程度，以及决定使用哪种技术。决定使用哪种技术取决于试错和偏好。通常从线性技术开始，当结果表明拟合不足时，就转向非线性技术。[b]数据集降维的好处可以是:[/b](1)减少所需

gsfgsfggsg·2018-08-25 21:50

数据降维

lfc_jack·2018-08-25 21:00

paviaU光谱数据集降维与分类

基于高光谱数据集PaviaU的数据降维与分类一、项目问题来源高光谱图像分类是高光谱遥感对地观测技术的一项重要内容，在军事及民用领域都有着重要的应用。

CalayZhou·2018-08-12 16:31

从特征分解到协方差矩阵：详细剖析和实现PCA算法

05-2从特征分解到协方差矩阵：详细剖析和实现PCA算法本文先简要明了地介绍了特征向量和其与矩阵的关系，然后再以其为基础解释协方差矩阵和主成分分析法的基本概念，最后我们结合协方差矩阵和主成分分析法实现数据降维

杨一如·2018-08-12 12:17

t-SNE完整笔记

此外，t-SNE是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可

看不见我呀·2018-08-08 18:02

【zt】TSVD

提要：下面汇集了几篇文章的部分内容：文章目录：1.scikit-learn：通过TruncatedSVD实现LSA（隐含语义分析）2.用截断奇异值分解降维3.机器学习_用SVD奇异值分解给数据降维(理论讲解

木木资料馆·2018-08-07 10:50

吴恩达机器学习笔记 —— 15 降维

比如把二维数据降维到一维：或者数据从三维降维到2维。降维的另一个作用就是进行可视化，比如我们的数据有很多维度，如果想要在图形上展示各个数据，分析其关系是很难的。

xingoo·2018-07-30 20:00

十分钟上手sklearn：安装，获取数据，数据预处理

sklearn是机器学习中一个常用的python第三方模块，对常用的机器学习算法进行了封装其中包括：1.分类（Classification）2.回归（Regression）3.聚类（Clustering）4.数据降维

heige__·2018-07-24 15:21

深度学习笔记之主成分分析

1.Definitions（定义）主成分分析（principalcomponentsanalysis,PCA）简称PCA，是一种广泛应用于数据降维（datadimensionalityreduction

Qiuyun.Zou·2018-07-13 20:09

2018-07-12课程笔记(2):DIMENTION REDUCTION

【关键词：数据降维，PCA】PCA(PrincipalComponentsAnalytics)重要数据的定位分析:详细讲解PCA的博客意义：取最能表现数据趋势的一些数据。

Haohao_95·2018-07-12 20:22

SVD详解

SVD的用处有很多，比如：LSA（隐性语义分析）、推荐系统、特征压缩（或称数据降维）。SVD可以理解为：将一个比较复杂的矩阵用更小更简单的3个子矩阵的相乘来表示，这3个小矩阵描述了大矩阵重要的特性。

liudongdong19·2018-07-09 13:27

ROI Pooling的相关理解及Fast R-CNN与R-CNN的简单对比

完成featuremap的聚合，实现数据降维，防止过拟合。ROIPooling将不同输入尺寸的featuremap（ROI）通过分块池化

Kaami·2018-06-29 15:52

R语言主成分和因子分析篇

转载自R语言主成分和因子分析篇另可参考Rinaction读书笔记（19）第十四章主成分和因子分析主成分分析（PCA）是一种数据降维技巧，它能将大量相关变量转化为一组很少的不相关变量，这些无关变量称为主成分

风雨如晦_·2018-06-22 17:30

python 数据降维PCA，KernelPCA模型

运行环境：win1064位py3.6pycharm2018.1.1importnumpyasnpimportmatplotlib.pyplotaspltfromsklearnimportdatasets,decomposition,manifolddefload_data():iris=datasets.load_iris()returniris.data,iris.target#首先使用PCA类

Jack_丁明·2018-06-19 23:43

机器学习之随机森林

随机森林可以用于分类和回归的任务，同时也是一种数据降维手段，用于处理缺失值、异常值以及其他数据探索中的重要步骤。

liuy9803·2018-06-07 17:15

PCA算法---实验代码完整版(实验代码+数据集下载)

www.cnblogs.com/DeepRunning/p/9205871.html注：实验代码与数据集下载链接简介：PCA（PrincipalComponentAnalysis）主成分分析算法，在进行图像识别以及高维度数据降维处理中有很强的应用性

Marlon1993·2018-05-31 15:00

机器学习中高维数据降维技术的总结与研究

本文有比较多的转载其他研究人员的博客https://blog.csdn.net/u014772862/article/details/52335970作为一名机器学习的科研人员，之前在推荐系统的开发和工作中，学习了PCA（主成分分析）与SVD（奇异值分解）方面的技术，但是还没有写过总结性的文章，此次，本人总结一些关于降维技术的调研，希望大家多多指教。降维方法一般分为线性降维方法和非线性降维方法，如

奋斗的小炎·2018-05-29 15:23

tensorflow MNIST autoencoder完整代码+tsne降维可视化

autoencodermnistcanrunningautoencoder自定义实现，未直接调用函数，显示autoencoder结果与原来真实输入数据的对比图"""#特色：可视化通过encoder最后一层神经元数目为2，将数据降维到

curious_girl·2018-05-25 21:16

PCA 原理：为什么用协方差矩阵

这是一种数据降维技术，用于数据预处理。一般我们获取的原始数据维度都很高，那么我们可以运用PCA算法降低特征维度。这样不仅可以去除无用的噪声，还能减少很大的计算量。

LJRice·2018-05-12 10:47

【深度学习】数据降维方法总结

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阶张量表达的数据。之所

郭耀华·2018-04-16 15:00

【深度学习】数据降维方法总结

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阶张量表达的数据。之所

weixin_33889665·2018-04-16 15:00

Python爱好者周知：Scikit-Learn中文文档正式发布

该中文文档依然包含了Scikit-Learn基本功能的六大部分：分类、回归、聚类、数据降维、模型选择和数据预处理，并提供了完整的使用教程与API注释。

AI科技大本营·2018-04-08 00:00

手撕t-SNE算法

t-SNE（t-DistributedStochasticNeighborEmbedding）即t分布随机邻近嵌入，类似于PCA，是一种数据降维方法，与PCA不同的是，它是非线性的。

加勒比海鲜·2018-03-29 14:28

机器学习之LDA降维

1.PCA缺点在上篇介绍PCA的文章中有一句话是:PCA是一种能够极大提升无监督特征学习速度的数据降维算法这里很明显的说明,PCA适用于非监督学习的数据降维,显而易见,在进行数据降维的时候,我们并没有考虑数据的类别信息

董云龙·2018-03-25 09:57

tSNE

此外，t-SNE是一种非线性降维算法，非常适用于高维数据降维到2维或者3维，进行可视化。t-SNE是由SNE(StochasticNeighborEmbedding,SNE;

Flyingzhan·2018-03-11 23:21

R语言-主成分分析

1.PCA使用场景:主成分分析是一种数据降维,可以将大量的相关变量转换成一组很少的不相关的变量,这些无关变量称为主成分步骤:数据预处理(保证数据中没有缺失值)选择因子模型(判断是PCA还是EFA)判断要选择的主成分

月上贺兰·2018-02-24 00:00

【机器学习】数据降维—核主成分分析(Kernel PCA)

ChenVast·2018-02-03 13:51

【机器学习】数据降维—核主成分分析(Kernel PCA)

ChenVast·2018-02-03 13:51

【机器学习】数据降维—线性判别分析（LDA）

ChenVast·2018-02-03 13:39

【机器学习】数据降维—线性判别分析（LDA）

ChenVast·2018-02-03 13:39

【机器学习】数据降维—主成分分析（PCA）

ChenVast·2018-02-02 10:27

【机器学习】数据降维—主成分分析（PCA）

ChenVast·2018-02-02 10:27

基于PCA模型的数据降维(复习13)

本文是个人学习笔记，内容主要基于PCA降维模型对手写体数据图像集进行降维，把原始64维度的数字图像压缩映射到二维空间，实验结果表明绝大多数数字之间仍然具有区分性。在数据表现方面，无法用肉眼观测超过三个维度的特征。对于数据维度非常高的数据样本，通过无监督学习可以对数据进行降维，保留最具有区分性的低维度特征。在特征降维的方法中，主成分分析(PrincipalComponentAnalysis)是最为经

Young_win·2018-01-20 16:57

《Spark机器学习》笔记——Spark应用于数据降维

我们将学习无监督学习模型中降低数据维度的方法。不同于我们之前学习的回归、分类和聚类模型，降维方法并不是用来做模型预测的。降维方法从一个D维的数据输入提取出一个远小于D的k维表示。因此，降维本身是一种预处理方法，或者说特征转换的方法。降维方法中最重要的是：被抽取出的维度表示应该仍能捕捉大部分的原始数据的变化和结构。这源于一个基本思想：大部分数据源包含某种内部结构，这种结构一般来说应该是未知的（常称为

土豆拍死马铃薯·2018-01-18 20:12

Tensorflow 同时载入多个模型

转自：神经网络中embedding层作用神经网络中embedding层作用——本质就是word2vec，数据降维，同时可以很方便计算同义词（各个word之间的距离），底层实现是2-gram（词频）+神经网络这涉及到词向量

christianashannon·2018-01-18 12:34

Python机器学习----第3部分特征抽取

1、无监督数据降维----主成分分析PCA主成分分析PCA是一种无监督线性转换技术，用于降低维度。常用于股票交易数据的探索性分析和信号去燥。

henreash·2018-01-16 21:46

R语言笔记之特征工程

下面是3个常用的对数据降维的特征提取方法(1)主成分分析（PCA)(2)探索性因子分析（EFA)(3)高维标度化（MDS）3.特征选择在建立统

鲁鲁酱1996·2018-01-14 19:31

推荐频道

数据降维

一个月刷完机器学习笔试题300题（16）

Autoencoder 自编码器

机器学习之特征值/特征向量的解析和应用

用PCA进行数据降维

机器学习--线性判别分析LDA

深度学习（计算机视觉）面试中问题（二）

深度学习（计算机视觉）面试中问题（二）

opencv学习笔记六十六：FisherFace人脸识别算法

opencv学习笔记六十五：EigenFace人脸识别算法

Scikit-Learn各算法详细参数速查手册(中文)2018-09-11

人脸识别中用主成分分析PCA来将数据降维--MATLAB代码

【机器学习】主元分析（PCA）以及与SVD的区别联系

如何理解主元分析（PCA）？

数据降维

数据降维

paviaU光谱数据集降维与分类

从特征分解到协方差矩阵：详细剖析和实现PCA算法

t-SNE完整笔记

【zt】TSVD

吴恩达机器学习笔记 —— 15 降维

十分钟上手sklearn：安装，获取数据，数据预处理

深度学习笔记之主成分分析

2018-07-12课程笔记(2):DIMENTION REDUCTION

SVD详解

ROI Pooling的相关理解及Fast R-CNN与R-CNN的简单对比

R语言主成分和因子分析篇

python 数据降维PCA，KernelPCA模型

机器学习之随机森林

PCA算法---实验代码完整版(实验代码+数据集下载)

机器学习中高维数据降维技术的总结与研究

tensorflow MNIST autoencoder完整代码+tsne降维可视化

PCA 原理：为什么用协方差矩阵

【深度学习】数据降维方法总结

【深度学习】数据降维方法总结

Python爱好者周知：Scikit-Learn中文文档正式发布

手撕t-SNE算法

机器学习之LDA降维

tSNE

R语言-主成分分析

【机器学习】数据降维—核主成分分析(Kernel PCA)

【机器学习】数据降维—核主成分分析(Kernel PCA)

【机器学习】数据降维—线性判别分析（LDA）

【机器学习】数据降维—线性判别分析（LDA）

【机器学习】数据降维—主成分分析（PCA）

【机器学习】数据降维—主成分分析（PCA）

基于PCA模型的数据降维(复习13)

《Spark机器学习》笔记——Spark应用于数据降维

Tensorflow 同时载入多个模型

Python机器学习----第3部分 特征抽取

R语言笔记之特征工程

Python机器学习----第3部分特征抽取