Сокращение размерности и извлечение признаков
Методы преобразования функции уменьшают размерность в данных путем преобразования данных в новые возможности. Методы выбора признаков предпочтительны, когда преобразование переменных не возможно, например, когда существуют категориальные переменные в данных. Для метода выбора признаков, который в частности подходит для подбора кривой наименьших квадратов, смотрите Ступенчатую регрессию.
Функции
Объекты
Темы
Выбор признаков
Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора признаков.
Последовательный выбор признаков
Эта тема вводит последовательному выбору признаков и обеспечивает пример, который выбирает функции последовательно с помощью пользовательского критерия и sequentialfs функция.
Выбор признаков Анализа компонента окружения (NCA)
Анализ компонента окружения (NCA) является непараметрическим методом для выбора функций с целью максимизации точности предсказания алгоритмов регрессии и классификации.
- Устойчивый выбор признаков Используя NCA для регрессии
- Настройте параметр регуляризации, чтобы обнаружить функции Используя NCA для классификации
Упорядочите классификатор дискриминантного анализа
Сделайте более устойчивую и более простую модель путем удаления предикторов, не ставя под угрозу предсказательную силу модели.
Выберите Predictors for Random Forests
Выберите предикторы разделения для случайных лесов с помощью алгоритма проверок взаимодействия.
Извлечение признаков
Извлечение признаков является набором методов, чтобы извлечь высокоуровневые функции из данных.
Рабочий процесс извлечения признаков
Этот пример показывает полный рабочий процесс для извлечения признаков от данных изображения.
В этом примере показано, как использовать rica распутывать 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
В этом примере показано, как t-SNE создает полезное низко-размерное встраивание высоко-размерных данных.
Этот пример показывает эффекты различного tsne настройки.
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
В этом примере показано, 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 выполнять классическое (метрическое) многомерное масштабирование, также известное как основной анализ координат.
Классическое многомерное масштабирование, примененное непространственные расстояния
В этом примере показано, как выполнить классическое многомерное масштабирование с помощью cmdscale функция в Statistics and Machine Learning Toolbox™.
Неклассическое многомерное масштабирование
В этом примере показано, 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.
