KPCA

用matlab实现kpca（核主成分分析法）

核主成分分析法是对非线性的高维数据进行降维的一种方法，理论部分这里就不再介绍了，我是在300×12维的数据上进行降维的，代码如下：data=Untitled;[Xrow,Xcol]=size(data);%Xrow：样本个数Xcol：样本属性个数%%数据预处理Xmean=mean(data);%求原始数据的均值Xstd=std(data);%求原始数据的方差X0=(data-ones(Xrow,1
Bbei·2020-07-31 12:43

主成分分析PCA与核主成分分析KPCA

来源：http://blog.travel.ifeng.com/article/15992868.html主成分分析的经典图像如下直观的解释就是，在长箭头方向上，数据点要比短箭头方向上分散。如果用长箭头的方向来区分样本点，基本上就能代表长短两个方向。那么我们就可以用长箭头作为分类、回归或者聚类的标准。上面例子中，维度从2(长短两个箭头)降到了1(长箭头)。这里边箭头长短就是数据点在这个分量上的方差
weixin_30340775·2020-07-31 12:52

ＫＰＣＡ的matlab实现

function[train_kpca,test_kpca]=kpcaFordata(train,test,threshold,rbf_var)%%Datakpcaprocessingifnargin<
One_H·2020-07-31 12:04

数据降维（PCA、KPCA、PPCA）及C++实现

1、何为数据降维1.1维数灾难：往往满足采样条件所需的样本数目巨大、样本稀疏、距离计算困难。1.2降维：利用数学变换将原始高维属性空间转变为低维“子空间”，即在高维采样数据中提取能够表达原始数据的特征。1.3降维优点：数据集更易懂、使用和显示；降低算法计算开销；去除噪声。2、一些降维算法PrincipalComponentAnalysis（PCA）LinearDiscriminantAnalysi
人工智障1111·2020-07-31 12:04

KPCA原理及部分代码

KPCA，中文名称”核主成分分析“，是对PCA算法的非线性扩展。
zxiaohui666·2020-07-31 12:27

KPCA降维

KPCA是一种非线性主元分析方法，用于降维。
zxiaohui666·2020-07-31 12:26

PCA 主成分分析 KPCA

矩阵乘法的意义6.主成分7.核主成分分析KPCA8.PCA算法流程9.PCA实例10.PCA算法总结11.PCA代码和应用主成分分析PCA1.结论1.单位向量的投影表示：向量x在单位向量e上的
promisejia·2020-07-31 12:13

KPCA的可视化（高斯核）

前言结合大佬博客还有B站视频，KPCA原理我是看懂了，但变换效果感觉一脸蒙蔽，不太理解，感觉实际应用只能瞎子摸象，试参数看效果，如果哪位小伙伴有更好KPCA的案例，麻烦评论区共享一下，谢谢！
m0_46675687·2020-07-31 12:26

PCA和KPCA傻傻分不清楚？戳进来教你如何区分

在格创东智之前的文章中，我们讨论了特征抽取的经典算法——主成分分析PCA与线性判别分析LDA的原理与应用场景。PCA是一种无监督的降维方法，寻找的是让数据方差最大的一种映射；LDA是一种有监督的降维方法，寻找的是让数据分类效果最好的一种映射。但是它们仍然有应用的局限性，今天我们就一起来了解下。PCA的局限性我们先来回顾一下PCA的降维原理：PCA试图通过旋转找到新的正交基，满足这样的两条性质：1、
getech·2020-07-31 11:29

奇异值分解讨论及其实现的计算步骤

一般来说，想要获得低维的子空间，最简单的是对原始的高维空间进行线性变换（当然了，非线性也是可以的，如加入核函数，比较著名的就是KPCA）。
Big_quant·2020-07-30 15:26

解释一下核主成分分析(Kernel Principal Component Analysis, KPCA)的公式推导过程~

KPCA，中文名称”核主成分分析“，是对PCA算法的非线性扩展，言外之意，PCA是线性的，其对于非线性数据往往显得无能为力，例如，不同人之间的人脸图像，肯定存在非线性关系，自己做的基于ORL数据集的实验
迷雾forest·2020-07-09 00:06

西瓜书学习笔记——第十章：降维与度量学习

10.降维与度量学习10.1k近邻学习10.2低维嵌入经典降维方法：多维缩放(MDS)10.3主成分分析10.4核化线性降维核化主成分分析(KPCA)10.5流形学习10.5.1等度量映射Isomap算法基本过程
Andrewings·2020-07-08 05:30

机器学习-降维算法(KPCA算法)

基于核函数的主成分分析（KPCA）和主成分分析（KPCA）的步骤是一样的，只不过需要用核函数替代了原来的数据。
lyn5284767·2020-07-07 15:45

核主成分分析KPCA分析

转自：http://blog.sina.com.cn/s/blog_6163bdeb0102ee95.html之前转载了一篇博客，介绍了KPCA的推导，作者主要是参考、翻译了另一篇博客http://zhanxw.com
沙漠之狐MSFollower·2020-07-04 06:29

SVD与PCA，奇异值分解与主成分分析的比较

一般来说，想要获得低维的子空间，最简单的是对原始的高维空间进行线性变换（当然了，非线性也是可以的，如加入核函数，比较著名的就是KPCA）。
Zhangdawei1993·2020-06-30 13:07

简明KPCA及其python实现（核主成分分析）

pythonmachinelearning3rdKPCA核主成分分析-kernelprincipalcomponentanalysis，是一种用于非线性分类的降维工具，实现非线性映射降维右图为典型的非线性分类问题面对这样的分类问题，KPCA
ZachhhBweg·2020-06-29 12:26

【源码】核主成分分析（KPCA）工具箱

用于降维、特征提取、故障检测和故障诊断的KPCA工具箱。
梅花香——苦寒来·2020-06-29 06:02

主成分分析|PCA算法大全

主成分分析|PCA算法大全文章目录主成分分析|PCA算法大全1.PCA原理1.1最大方差理论1.2最小平方误差理论1.3高维数据下的特征值分解2.CCIPCA增量主元分析算法[1]3.KPCA4.2DPCA
_风起了_·2020-06-27 07:06

(十一)KPCA非线性降维与核函数

二.KPCA算法KPCA算法其实很简单，数据在低维度空间不是线性可分的，但是在高维度空间就可以变成线性可分的了。
躺在稻田里的小白菜·2020-06-23 11:43

数据降维——PCA、SVD

降维方法__属性选择：过滤法；包装法；嵌入法；|_映射方法_线性映射方法：PCA、LDA、SVD分解等|_非线性映射方法：|__核方法：KPCA、KFDA等|__二维化：|__流形学习：ISOMap、LLE
GaryLi077·2020-04-08 07:01

Iris数据集使用PCA/LDA/KPCA降维的结果比较

一、实验描述分别使用PCA、LDA和KPCA方法对Iris数据集进行降维，利用可视化工具比较降维的效果。
Garfield猫·2020-03-31 05:43

利用主成分分析（PCA）、线性判别分析（LDA）、KPCA、Isomap、LLE、Laplacian Eigenmaps将数据投影到两维

机器学习上机题目：给定一组3维数据，分别利用主成分分析（PCA）、线性判别分析（LDA）、KPCA、Isomap、LLE、LaplacianEigenmaps投影到两维，并画出结果图。
stupid_miao·2019-11-12 23:09

05-03 主成分分析(PCA)

主成分分析学习目标三、主成分分析详解3.1主成分分析两个条件3.2基于最近重构性推导PCA3.2.1主成分分析目标函数3.2.2主成分分析目标函数优化3.3基于最大可分性推导PCA3.4核主成分分析(KPCA
十七岁的有德·2019-10-16 17:00

学习笔记 | 核主成分分析(KPCA)及其若干应用

学习笔记|核主成分分析[KPCA]1算法原理2效果展示3小结概要：本文将在前一篇博客学习笔记|主成分分析(PCA)及其若干应用的基础上介绍核主成分分析(KernelPrincipleComponentAnalysis
Chen_Tianyang·2019-09-07 09:51

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】

--------------------------------------------------------------------------笔者追求算法实现，不喜欢大篇幅叙述原理，有关KPCA理论推荐查看该篇博客
小糖宝·2019-04-29 16:18

(十)PCA降维算法

需要注意的是，PCA一般只用于线性数据降维，对于非线性数据一般采用KPCA。二.PCA的基本思想降维就是找出数据里最主要的方面，用数据里最主
躺在稻田里的小白菜·2018-12-11 15:22

机器学习（西瓜书）注解：第10章 降维与度量学习

针对该章注解有任何问题欢迎在此留言~    从该章目录中可以看出10.2节至10.5节均为降维方法，其中10.2节的MDS和10.3节的PCA为线性降维方法，而10.4节的KPCA和10.5节的流形学习
jbb0523·2018-09-22 00:00

PCA+核函数（高斯）提取特征代码+图视

大数据时代，什么维度灾难问题的出现，所以需要提出降维处理保留数据结构，减少算法运行时间，pca，kpca,svm等是一种有效的特征提取方法，这里就不balabala说为什么要有这些技术以及他们的使用方法
颠沛的小丸子·2018-06-01 16:04

机器学习 西瓜书 Day15 降维与度量学习（下）

核主成分分析（KPCA）降温方法详情见p233。10.5流形学习“流形”是在局部与欧式空间同（月丕）的空间。换言之，它在局部具有欧式空间的性质，能用欧氏距离来进行距离计算。10.5.1等
皇家马德里主教练齐达内·2018-05-24 18:25

【机器学习】数据降维—核主成分分析(Kernel PCA)

KPCA：将非线性可分的数据转换到一个适合对齐进行线性分类的新的低维子空间上。非线性函数：Φ为一个函数，能够对原始的特征进行非线性组合，将原始的d维数据集映射到更高的k维特征空间。
ChenVast·2018-02-03 13:51

【机器学习】数据降维—核主成分分析(Kernel PCA)

KPCA：将非线性可分的数据转换到一个适合对齐进行线性分类的新的低维子空间上。非线性函数：Φ为一个函数，能够对原始的特征进行非线性组合，将原始的d维数据集映射到更高的k维特征空间。
ChenVast·2018-02-03 13:51

【Python-ML】SKlearn库特征抽取-KPCA

#-*-coding:utf-8-*-'''Createdon2018年1月18日@author:Jason.F@summary:特征抽取-KPCA方法'''importpandasaspdimportnumpyasnpimportmatplotlib.pyplotaspltfromsklearn.decompositionimportKernelPCAfromsklearn.datasetsim
fjssharpsword·2018-01-18 16:51

[置顶] 解释一下核主成分分析(Kernel Principal Component Analysis, KPCA)的公式推导过程~

KPCA，中文名称”核主成分分析“，是对PCA算法的非线性扩展，言外之意，PCA是线性的，其对于非线性数据往往显得无能为力，例如，不同人之间的人脸图像，肯定存在非线性关系，自己做的基于ORL数据集的实验
wsj998689aa·2014-10-23 15:00

常用降维方法

线性降维方法：PCA ICA LDA LFA LPP(LE的线性表示)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
vshuang·2014-08-14 16:00

核主成份分析的MatLab实现（转）

通过参考别人的源代码，自己实现了KPCA，基本了解了核方法的实质。个人体会亲手实现一下还是很有益的。
tiandijun·2014-03-07 23:00

核主成份分析的MatLab实现

通过参考别人的源代码，自己实现了KPCA，基本了解了核方法的实质。个人体会亲手实现一下还是很有益的。
meng4411yu·2013-05-02 20:00

KPCA分割

KPCASegmentationFromNAMICJumpto:navigation,searchBacktoBostonUniversityAlgorithms KPCASegmentationSegmentationperformancesusingactivecontourscanbedrasticallyimprovedifthepossibleshapesoftheobjectofint
alaclp·2012-04-20 18:00
上一页 1 2 3 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他