机器学习---数据的降维---机器学习算法分类以及开发流程

最新推荐文章于 2022-05-19 10:23:10 发布
最新推荐文章于 2022-05-19 10:23:10 发布
阅读量271 收藏 1
点赞数
分类专栏： 机器学习2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/qq_43498494/article/details/106135039
版权
本文介绍了机器学习中的特征选择方法，包括手动筛选和方差过滤，强调了去除冗余特征的重要性。接着讲解了主成分分析PCA，用于降维而不损失数据信息。还提供了一个PCA的案例，并提及了机器学习算法的分类和开发流程。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

特征选择

在这里插入图片描述
在这里插入图片描述在这里插入图片描述
也作为机器学习的数据输入。
在这里插入图片描述
在这里插入图片描述
有一些特征不需要，即可以删除。有一些特征对于结果会有影响。
在这里插入图片描述
特征选择：1手动选择哪些特征需要，哪些不需要。
2若公司给了数据，不好一列一列去看什么特点，数据分布如何，几千万个样本都去看肯定不可以，所以用一些工具进行特征选择。
在这里插入图片描述
方差过滤方法：即若某一列方差都一样，即肯定这一列不能作为问题分析的特征了。可以指定方差的大小来过滤，这样可以将相同的，冗余没用的特征都给他删除掉。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
将样本特征值都相同的特征删除掉了。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

主成分分析–降维在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
降维度，即将维度数降低，但是不能将数据代表的意思信息减少，即将维度降低，但是里面的信息幷没有损耗，即PCA–将高纬度简化为低维度。
在这里插入图片描述
当特征数量不多时，不用PCA。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
PCA用于简化数据集，但是可将损失降低到最小。
PCA就是找到这样最好的一条直线即可。
在这里插入图片描述
在这里插入图片描述
三维就是找一个平面映射即可。数据量减少了。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

PCA案例

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
即先把每张表读出来，按照相同的字段特征进行合并。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
交叉分组：行就是用户ID，列就是一个个各种类型的物品
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
所以要进行主成分分析，即降维度，然后输入到算法中。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

机器学习算法分类以及开发流程

在这里插入图片描述
在这里插入图片描述
利用库和框架做。
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
预测具体的值，如票房数据即连续，而预测具体的类别则用离散数据。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述在这里插入图片描述在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

机器学习开发流程

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

数据降维算法分类
qq_42148307的博客
01-23 469
数据降维算法分为线性降维算法以及非线性降维算法两类。 数据集中XXX中任意数据xi∈\in∈Rd，线性降维有两种方式可以获得XXX的低维表示。 1、寻找投影矩阵V=[v1,…,vk]∈\in∈Rd*k： yi=VTxi，yi∈\in∈Rk。 2、寻找一组基v1,…,vk： xi≈\approx≈∑\sum∑yi,jvj。yi=[yi,1,…,yi,k]∈\in∈Rk，yi即可看作xi的低维表示。 数据降维中最核心的问题在于发现高维观测值中所隐含的有意义的潜在结构。无论线性或非线性降维，其本质都是解决该问题。
机器学习——降维、聚类、分类、回归
热门推荐
Yummy的博客
02-18 2万+
前言： 最近做的任务与降维分类有关，于是乎就将机器学习中的“四大元老”——降维、聚类、分类、回归给弄混了。。。。。因此，用了很长时间去理解这“四大元老”的具体概念。并借此机会，趁热打铁得记录一下。 1.机器学习 什么是机器学习？ 机器学习是一帮科学家想让计算机像人一样思考所研发出来的一套计算机理论。它包含了多种算法，涉及到概率论，数理统计、线性代数、矩阵论等多个学科。 机器学习已经深入到了我们生活...
【Dimensionality Reduction】数据降维方法分类
爱.NET
04-29 1404
数据降维基本原理是将样本点从输入空间通过线性或非线性变换映射到一个低维空间，从而获得一个关于原数据集紧致的低维表示。 数据降维工具箱drtoolbox中众多算法，这里简单做个分类。 因为很多并没有仔细了解，在此次只对八种方法做分类：主成分分析（Principal Component Analysis,PCA)、线性判别分析（Linear Discriminant Analysis,LDA）、等...
简述多种降维算法
taojiea1014的博客
09-23 6511
陈汝丹 算法与数学之美 本文首先给出了七种算法的一个信息表，归纳了关于每个算法可以调节的(超)参数、算法主要目的等等，然后介绍了降维的一些基本概念，包括降维是什么、为什么要降维、降维可以解决维数灾难等，然后分析可以从什么样的角度来降维，接着整理了这些算法的具体流程。主要目录如下: 1. 降维基本概念 2. 从什么角度出发降维 3. 降维算法 3.1 主成分分析...
2022-1-14第三章机器学习基础--数据降维、机器学习算法分类、算法开发流程
weixin_45526009的博客
01-14 375
特征预处理–数据降维 维度：特征的类别数量 常用方法：①特征选择②主成分分析 ①特征选择 定义：单纯地从提取到的所有特征中选择部分特征作为训练集特征，特征在选择前和选择后可以改变值，也可以不改变值，但是选择后的特征维度肯定比之前小，因为只选择了其中一部分特征 三大方法：Filter（过滤式）：VarianceThreshold（Variance：方差） Embedded（嵌入式）：正则化、决策树 Wrapper（包裹式）–基本不使用 API: 只介绍Filter过滤式 指定方差大小，删除低方差的特征值（因
四大机器学习降维算法：PCA、LDA、LLE、Laplacian Eigenmaps
彼岸花
03-31 1万+
四大机器学习降维算法：PCA、LDA、LLE、Laplacian Eigenmaps 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
数据预处理：数据降维
sinat_41928169的博客
05-19 4744
目录 数据降维的应用场景 基于特征选择的降维 基于维度转换的降维 参考资料： 1.《Python数据分析与数据化运营》宋天龙 2.主成分分析（PCA）原理详解 - 知乎 3.机器学习中SVD总结 数据降维的应用场景 数据降维可以降低模型的计算量并减少模型运行时间、降低噪音对于模型结果的影响、便于通过可视化方式展示归约后的维度信息并减少数据存储空间。因此，大多数情况下，当我们面临高维数据时，都需要对数据做降维处理。是否进行降维主要考虑以下方面： 维度数量。高维的数据大部分情况下是需要降维的
机器学习Scikit-learn核心功能解析：Python机器学习库的数据处理与模型应用详解
05-18
learn在数据预处理（如标准化、归一化、缺失值处理）、分类算法（如逻辑回归、支持向量机、随机森林）、回归算法（如线性回归、支持向量回归、梯度提升回归）、聚类算法（如K均值、DBSCAN）以及降维与特征选择（如...
机器学习中SA-ELM算法结合模拟退火与极限学习机用于特征降维及分类 - 特征降维 精华版
05-25
适合人群：对机器学习有一定了解并希望深入研究特征降维技术的数据科学家、研究人员和技术爱好者。 使用场景及目标：适用于需要处理高维度数据集的情况，如图像识别、自然语言处理等领域，目的是提高分类效率和准确...
机器学习-降维模型-人脸识别初步数据集
11-07
在机器学习领域，降维模型是一种重要的技术，用于处理高维度数据，降低复杂性并提高算法的效率。在这个“机器学习-降维模型-人脸识别初步数据集”中，我们聚焦于如何利用降维方法来处理人脸识别的问题。人脸识别是...
人工智能-机器学习-代价敏感降维及其人脸识别应用研究.pdf
04-12
【部分内容】: 这篇论文详细阐述了在人工智能和机器学习背景下，传统降维方法的局限性，特别是当不同错误分类的代价不相等时。以人脸识别为例，文中指出，将入侵者误分类为合法用户通常比将合法用户误分类为入侵者的...
机器学习报告-基于PCA和KNN算法的毒蘑菇分类预测实验报告-机器学习高分大作业
11-18
报告概述了基于PCA（主成分分析）和KNN（K最近邻）算法的毒蘑菇分类预测实验，旨在解决误食毒蘑菇导致的安全问题。...同时，实验报告也展示了机器学习在实际问题中的应用，有助于加深对机器学习算法的理解和实践。
【机器学习】降维算法的优劣
探索世界，改变世界
07-30 1万+
欢迎阅读我们的现代机器学习算法的第2部分。在这一部分中，我们将介绍降维的方法，进一步分为特征选择和特征提取。通常，这些任务很少单独执行。相反，他们经常预处理步骤以支持其他任务。 如果你错过了第1部分，你可以在这里查看。它解释了我们的分类算法方法，它涵盖了“三大”机器学习任务： 回归 分类 聚类 在这部分中，我们将介绍： 特征选择 特征提取 我们还将在未来的专用指南中介绍其他任务，如密度...
数据降维方法分类
好鱼知世界的博客
11-27 837
参考： https://blog.youkuaiyun.com/mechleechan/article/details/87153050 https://www.cnblogs.com/webary/p/12498886.html https://mp.weixin.qq.com/s/djyLnrLoEVJzYcXCU0xCeQ 温学平.基于特征选择的数据降维[D].华中科技大学,2015. 余大龙.基于特征选择的数据降维算法研究[D].安徽大学,2017. ...
看！数据分析领域中最为人称道的七种降维方法
zdy0_2004的专栏
11-22 1万+
http://dataunion.org/20803.html 感谢王穆荣的投稿，转载请注明出处：数盟社区 近来由于数据记录和属性规模的急剧增长，大数据处理平台和并行数据分析算法也随之出现。于此同时，这也推动了数据降维处理的应用。实际上，数据量有时过犹不及。有时在数据分析应用中大量的数据反而会产生更坏的性能。 最新的一个例子是采用 2009 KDD Challenge 大数据集来预测客户
降维与分类
Claroja
05-10 1829
1.假设我们有m维的样本x1,x2,...,xNx1,x2,...,xN{x^1,x^2,...,x^N},N1N1N_1属于ω1ω1\omega_1,N2N2N_2属于ω2ω2\omega_2 2.我们需要寻找一个标量yyy，将样本xxx投影到一条线上(C-1空间,C=2)。 3.这些条线需要满足投影后类间的差距必须最大。 类间差距太小，这不是需要的直线 类间差距足够大，这就是我...
使用matlab对训练样本图像降维，并对测试图像使用变换矩阵降维并重构
Work Hard, Play Harder!
11-26 1万+
clear; clc; train_path='E:\TrainingSet\angry\positive\'; images = dir('E:\TrainingSet\angry\positive\*.bmp'); phi=zeros(30,64*64); % 加载样本图像到 30*(64*64)的矩阵中，每一行代表一幅图像 for i=1:30 path=strcat(train
机器学习 jupyter Python 有监督学习 SVM算法
qq_740785701的博客
06-07 2174
前言-小故事 SVM的英文全称是Support Vector Machines，我们叫它支持向量机。支持向量机是我们用于分类的一种算法。让我们以一个小故事的形式，开启我们的SVM之旅吧。 在很久以前的情人节，一位大侠要去救他的爱人，但天空中的魔鬼和他玩了一个游戏。魔鬼在桌子上似乎有规律放了两种颜色的球，说："你用一根棍分开它们？要求：尽量在放更多球之后，仍然适用。 于是大侠这样放，干的不错！ 然后魔鬼，又在桌上放了更多的球，似乎有一个球站错了阵营。显然，大侠需要对棍做出调整。 SVM就是试图把棍放在最
优化A星算法：动态加权代价函数提升搜索效率，内切圆平滑非光滑转折，减少冗余路径与节点，大幅降低路径长度与提升平滑性 · 启发式搜索 高效版
最新发布
05-31
内容概要：本文详细介绍了如何通过改进A星算法来优化路径搜索和路径平滑性。首先，提出了动态加权代价函数的概念，通过为不同的路径因素分配权重值，使算法能够更精确地评估节点代价，减少无关节点的搜索。其次，采用启发式搜索策略和剪枝算法去除冗余路径点和路段，降低了路径长度。最后，利用内切圆平滑技术优化路径的转折角，提高了路径的平滑性和连续性。实验结果显示，改进后的A星算法在复杂环境中显著提升了路径规划的效率和质量。 适合人群：从事路径规划、自动驾驶、机器人导航等领域研究的技术人员和研究人员。 使用场景及目标：适用于需要高效路径规划的应用场景，如无人驾驶车辆、无人机飞行路径规划、物流配送机器人等。目标是提高路径规划的效率，减少冗余路径，提升路径平滑性和连续性。 其他说明：文中提供了部分代码实现，帮助读者更好地理解和应用改进后的A星算法。未来的研究方向包括将更多人工智能技术融入路径规划，以实现更智能、高效的导航系统。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值