ymengm的博客

高维数据降维之拉普拉斯特征映射 LE高维数据降维是指采用某种映射方法，降低随机变量的数量，例如将数据点从高维空间映射到低维空间中，从而实现维度减少。降维分为：特征选择 和 特征提取特征选择：是从含有冗余信息以及噪声信息的数据中找出主要变量；特征提取：是去掉原来的数据，生成新的变量，可以寻找数据内部的本质结构特征。降维的过程是通过对输入的原始数据特征进行学习，得到一个映射函数，实现将输入样本映射后到低维空间中之后，原始数据特征并没有明显的损失，通常情况下新空间的维度要小于原空间的维度。目前大部分降维

高维数据降维之局部线性嵌入 LLE高维数据降维是指采用某种映射方法，降低随机变量的数量，例如将数据点从高维空间映射到低维空间中，从而实现维度减少。降维分为：特征选择 和 特征提取特征选择：是从含有冗余信息以及噪声信息的数据中找出主要变量；特征提取：是去掉原来的数据，生成新的变量，可以寻找数据内部的本质结构特征。降维的过程是通过对输入的原始数据特征进行学习，得到一个映射函数，实现将输入样本映射后到低维空间中之后，原始数据特征并没有明显的损失，通常情况下新空间的维度要小于原空间的维度。目前大部分降维算

高维数据降维之线性判别分析 LDA高维数据降维是指采用某种映射方法，降低随机变量的数量，例如将数据点从高维空间映射到低维空间中，从而实现维度减少。降维分为：特征选择 和 特征提取特征选择：是从含有冗余信息以及噪声信息的数据中找出主要变量；特征提取：是去掉原来的数据，生成新的变量，可以寻找数据内部的本质结构特征。降维的过程是通过对输入的原始数据特征进行学习，得到一个映射函数，实现将输入样本映射后到低维空间中之后，原始数据特征并没有明显的损失，通常情况下新空间的维度要小于原空间的维度。目前大部分降维算

高维数据降维之奇异值分解 SVD高维数据降维是指采用某种映射方法，降低随机变量的数量，例如将数据点从高维空间映射到低维空间中，从而实现维度减少。降维分为：特征选择 和 特征提取特征选择：是从含有冗余信息以及噪声信息的数据中找出主要变量；特征提取：是去掉原来的数据，生成新的变量，可以寻找数据内部的本质结构特征。降维的过程是通过对输入的原始数据特征进行学习，得到一个映射函数，实现将输入样本映射后到低维空间中之后，原始数据特征并没有明显的损失，通常情况下新空间的维度要小于原空间的维度。目前大部分降维算法

高维数据降维之主成分分析 PCA高维数据降维是指采用某种映射方法，降低随机变量的数量，例如将数据点从高维空间映射到低维空间中，从而实现维度减少。降维分为：特征选择 和 特征提取特征选择：是从含有冗余信息以及噪声信息的数据中找出主要变量；特征提取：是去掉原来的数据，生成新的变量，可以寻找数据内部的本质结构特征。降维的过程是通过对输入的原始数据特征进行学习，得到一个映射函数，实现将输入样本映射后到低维空间中之后，原始数据特征并没有明显的损失，通常情况下新空间的维度要小于原空间的维度。目前大部分降维算法