Сокращение размерности и выделение признаков
Методы преобразования функции уменьшают размерность в данных путем преобразования данных в новые возможности. Методы выбора функции предпочтительны, когда преобразование переменных не возможно, например, когда существуют категориальные переменные в данных. Для метода выбора функции, который в частности подходит для подбора кривой наименьших квадратов, смотрите Пошаговую Регрессию.
Функции
Классы
FeatureSelectionNCAClassification | Покажите выбор для классификации с помощью анализа компонента окружения (NCA) |
FeatureSelectionNCARegression | Покажите выбор для регрессии с помощью анализа компонента окружения (NCA) |
Объекты
ReconstructionICA | Выделение признаков ICA реконструкции |
SparseFiltering | Выделение признаков разреженной фильтрацией |
Темы
Покажите выбор
Узнайте об алгоритмах выбора функции, таких как последовательный выбор функции.
Выбор функции Анализа компонента окружения (NCA)
Анализ компонента окружения (NCA) является непараметрическим и встроенным методом для выбора функций с целью максимизации точности прогноза алгоритмов классификации и регрессии.
Выделение признаков
Выделение признаков является набором методов, чтобы извлечь высокоуровневые функции от данных.
Рабочий процесс выделения признаков
Этот пример показывает полный рабочий процесс для выделения признаков от данных изображения.
Этот пример показывает, как использовать rica, чтобы распутать смешанные звуковые сигналы.
t-SNE Многомерная Визуализация
t-SNE является методом для визуализации высоко-размерных данных нелинейным сокращением к два или три измерения при сохранении некоторых функций исходных данных.
Визуализируйте Высоко-размерные Данные Используя t-SNE
Этот пример показывает, как t-SNE создает полезное низко-размерное встраивание высоко-размерных данных.
Этот пример показывает эффекты различных настроек tsne.
Описание выходной функции и пример для t-SNE.
PCA и каноническая корреляция
Анализ главных компонентов (PCA)
Анализ главных компонентов уменьшает размерность данных, заменяя несколько коррелированых переменных на новый набор переменных, которые являются линейными комбинациями исходных переменных.
Анализируйте качество жизни в американских городах Используя PCA
Выполните взвешенный анализ основных компонентов и интерпретируйте результаты.
Факторный анализ
Факторный анализ является способом подобрать модель к многомерным данным, чтобы оценить взаимозависимость измеренных переменных на меньшем числе ненаблюдаемых (скрытых) факторов.
Анализируйте курсы акций Используя факторный анализ
Используйте факторный анализ, чтобы заняться расследованиями, испытывают ли компании в том же секторе подобные изменения от недели к неделе в курсах акций.
Выполните факторный анализ классов экзамена
Этот пример показывает, как выполнить факторный анализ с помощью Statistics and Machine Learning Toolbox™.
Неотрицательная матричная факторизация
Неотрицательная матричная факторизация
Nonnegative matrix factorization (NMF) является методом сокращения размерности на основе приближения низкого ранга пространства признаков.
Выполните неотрицательную матричную факторизацию
Выполните неотрицательную матричную факторизацию с помощью мультипликативных и переменных алгоритмов наименьших квадратов.
Многомерное масштабирование
Многомерное масштабирование позволяет вам визуализировать, как около точек друг другу для многих видов расстояния или метрик несходства и может произвести представление данных в небольшом количестве размерностей.
Классическое многомерное масштабирование
Используйте cmdscale, чтобы выполнить классическое (метрическое) многомерное масштабирование, также известное как основной анализ координат.
Классическое многомерное масштабирование, примененное непространственные расстояния
Этот пример показывает, как выполнить классическое многомерное масштабирование с помощью функции cmdscale в Statistics and Machine Learning Toolbox™.
Неклассическое многомерное масштабирование
Этот пример показывает, как визуализировать данные о несходстве с помощью неклассических форм многомерного масштабирования (MDS).
Неклассическое и неметрическое многомерное масштабирование
Выполните неклассическое многомерное масштабирование с помощью mdscale.
Анализ Procrustes
Анализ Procrustes минимизирует различия в местоположении между сравненными знаменательными данными с помощью лучших сохраняющих форму Евклидовых преобразований
Сравните рукописные формы Используя анализ Procrustes
Используйте анализ Procrustes, чтобы сравнить две рукописных цифры.
