Уменьшение размерности и редукция данных
Методов преобразования признаков уменьшают размерность данных путем преобразования данных в новые возможности. Методы выбора признаков предпочтительны, когда преобразование переменных невозможно, например, когда в данных есть категориальные переменные. Для метода выбора признаков, который специально подходит для подбора кривой методом наименьших квадратов, смотрите Ступенчатая Регрессия.
Функции
Объекты
Темы
Выбор признаков
Узнайте об алгоритмах выбора признаков и исследуйте функции, доступные для выбора объектов.
Последовательный выбор признаков
В этом разделе описывается последовательный выбор признаков и приводится пример, который выбирает функции последовательно с помощью пользовательского критерия и sequentialfs функция.
Анализ компонентов по соседству (NCA) Выбора признаков
Анализ компонента окрестности (NCA) является непараметрическим методом для выбора функций с целью максимизации точности предсказания алгоритмов регрессии и классификации.
- Робастный выбор признаков с использованием NCA для регрессии
- Настройте параметр регуляризации, чтобы обнаружить функции, используя NCA для классификации
Упорядочение классификатора дискриминантного анализа
Создайте более устойчивую и более простую модель путем удаления предикторов, не ставя под угрозу прогнозирующую степень модели.
Выберите предикторы для случайных лесов
Выберите предикторы разделения для случайных лесов с помощью алгоритма тестирования взаимодействия.
Редукция данных
Редукция данных является набором методов для извлечения высокоуровневых функций из данных.
Рабочий процесс редукции данных
Этот пример показывает полный рабочий процесс редукции данных из данных изображения.
В этом примере показано, как использовать rica для распутывания смешанных аудиосигналов.
Многомерная визуализация t-SNE
t-SNE является методом визуализации высокомерных данных путем нелинейного сокращения до двух или трёх размерностей с сохранением некоторых функций исходных данных.
Визуализация высоко-размерных данных с помощью t-SNE
В этом примере показано, как t-SNE создает полезное маломерное вложение высоко-размерных данных.
Этот пример показывает эффекты различных tsne настройки.
Описание выходной функции и пример для t-SNE.
PCA и каноническая корреляция
Анализ основных компонентов (PCA)
Анализ основных компонентов уменьшает размерность данных, заменяя несколько коррелированных переменных на новый набор переменных, которые являются линейными комбинациями исходных переменных.
Анализ качества жизни в городах США с помощью PCA
Выполните анализ взвешенных основных компонентов и интерпретируйте результаты.
Факторный анализ
Факторный анализ является способом подгонки модели к многомерным данным для оценки взаимозависимости измеренных переменных с меньшим количеством незащищенных (латентных) факторов.
Анализ цен на акции с помощью факторного анализа
Используйте факторный анализ, чтобы выяснить, испытывают ли компании в том же секторе аналогичные изменения цен на акции от недели к неделе.
Выполните анализ фактора на экзаменационных оценках
В этом примере показов, как выполнить анализ фактора с помощью Statistics and Machine Learning Toolbox™.
Неотрицательная матричная факторизация
Неотрицательная матричная факторизация
Nonnegative matrix factorization (NMF) является методом уменьшения размерности, основанным на низкоранговом приближении пространства функций.
Выполните неотрицательную матричную факторизацию
Выполните неотрицательную матричную факторизацию, используя мультипликативный и переменный алгоритмы наименьших квадратов.
Многомерное масштабирование
Многомерное масштабирование позволяет вам визуализировать, как близко точки находятся друг к другу для многих видов метрик расстояния или неоднородности, и может создать представление данных в небольшом количестве размерностей.
Классическое многомерное масштабирование
Использование cmdscale для выполнения классического (метрического) многомерного масштабирования, также известного как анализ основных координат.
Классическое многомерное масштабирование, примененное к непространственным расстояниям
В этом примере показано, как выполнить классическое многомерное масштабирование с помощью cmdscale функция в Statistics and Machine Learning Toolbox™.
Неклассическое многомерное масштабирование
Этот пример показывает, как визуализировать данные о различии с помощью неклассических форм многомерного масштабирования (MDS).
Неклассическое и неметрическое многомерное масштабирование
Выполните неклассическое многомерное масштабирование с помощью mdscale.
Анализ Простростей
Анализ Procrustes минимизирует различия в местоположении между сравненными историческими данными, используя лучшие евклидовы преобразования, сохраняющие форму.
Сравнение рукописных фигур с помощью анализа Procrustes
Используйте анализ Procrustes, чтобы сравнить две рукописные цифры.
