Методы преобразования элементов уменьшают размерность данных путем преобразования данных в новые элементы. Методы выбора признаков предпочтительны, когда преобразование переменных невозможно, например, когда в данных имеются категориальные переменные. Метод выбора элемента, который специально подходит для фитинга методом наименьших квадратов, см. в разделе Ступенчатая регрессия.
Узнайте о алгоритмах выбора элементов и изучите функции, доступные для выбора элементов.
Выбор последовательного элемента
В этом разделе описывается последовательный выбор элементов и приводится пример последовательного выбора элементов с использованием пользовательского критерия и sequentialfs функция.
Выбор элементов для анализа компонентов соседства (NCA)
Анализ компонентов окрестности (NCA) - непараметрический метод выбора признаков с целью максимизации точности прогнозирования алгоритмов регрессии и классификации.
Упорядочить классификатор дискриминантного анализа
Сделайте модель более надежной и простой, удалив предикторы без ущерба для прогнозирующей силы модели.
Выбор предикторов для случайных лесов
Выберите предикторы разделения для случайных лесов с помощью алгоритма тестирования взаимодействия.
Извлечение элементов - это набор методов извлечения элементов высокого уровня из данных.
Рабочий процесс извлечения элементов
В этом примере показан полный рабочий процесс извлечения элемента из данных изображения.
В этом примере показано, как использовать rica распутывать смешанные звуковые сигналы.
t-SNE - метод визуализации высокоразмерных данных путем нелинейного уменьшения до двух или трех измерений при сохранении некоторых особенностей исходных данных.
Визуализация высокоразмерных данных с помощью t-SNE
В этом примере показано, как t-SNE создает полезное низкоразмерное встраивание высокомерных данных.
В этом примере показаны эффекты различных tsne настройки.
Описание и пример функции вывода для t-SNE.
Анализ основных компонентов (PCA)
Анализ главных компонентов уменьшает размерность данных, заменяя несколько коррелированных переменных новым набором переменных, которые являются линейными комбинациями исходных переменных.
Анализ качества жизни в городах США с помощью PCA
Выполните взвешенный анализ главных компонентов и интерпретируйте результаты.
Факторный анализ - это способ подгонки модели к многомерным данным для оценки взаимозависимости измеряемых переменных по меньшему числу ненаблюдаемых (скрытых) факторов.
Анализ цен на акции с использованием факторного анализа
Используйте факторный анализ, чтобы выяснить, испытывают ли компании в том же секторе аналогичные изменения котировок акций из недели в неделю.
Выполнить факторный анализ экзаменационных оценок
В этом примере показано, как выполнять факторный анализ с использованием Toolbox™ статистики и машинного обучения.
Неотрицательная факторизация матрицы
Неотрицательная матричная факторизация (NMF) - метод уменьшения размерности, основанный на низкоранговой аппроксимации пространства признаков.
Выполнение факторизации неотрицательной матрицы
Выполнение факторизации неотрицательной матрицы с использованием алгоритмов умножения и чередования наименьших квадратов.
Многомерное масштабирование позволяет визуализировать, как близкие точки находятся друг к другу для многих видов метрик расстояния или разнородности, и может создавать представление данных в небольшом количестве измерений.
Классическое многомерное масштабирование
Использовать cmdscale для выполнения классического (метрического) многомерного масштабирования, также известного как анализ главных координат.
Классическое многомерное масштабирование, применяемое к непространственным расстояниям
В этом примере показано, как выполнить классическое многомерное масштабирование с помощью cmdscale функция в Toolbox™ статистики и машинного обучения.
Неклассическое многомерное масштабирование
В этом примере показано, как визуализировать разнородные данные с помощью неклассических форм многомерного масштабирования (MDS).
Неклассическое и неметрическое многомерное масштабирование
Выполнение неклассического многомерного масштабирования с помощью mdscale.
Анализ Procrustes минимизирует различия в местоположении между сравниваемыми данными ориентиров, используя наилучшие преобразования Евклидова, сохраняющие форму.
Сравнение рукописных фигур с помощью анализа Procrustes
Используйте анализ Procrustes для сравнения двух рукописных цифр.
