Exponenta Banner

transform

Преобразуйте предикторы в извлечённые функции

Свернуть все на странице

Синтаксис

z = transform(Mdl,x)

Описание

пример

z = transform(Mdl,x) преобразует данные x в функции z через модель Mdl.

Примеры

свернуть все

Открыть Live Script

Создайте модель преобразования функций с 100 функциями из SampleImagePatches данные.

rng('default') % For reproducibility
data = load('SampleImagePatches');
q = 100;
X = data.X;
Mdl = sparsefilt(X,q)
Warning: Solver LBFGS was not able to converge to a solution.

Mdl = 
  SparseFiltering
            ModelParameters: [1x1 struct]
              NumPredictors: 363
         NumLearnedFeatures: 100
                         Mu: []
                      Sigma: []
                    FitInfo: [1x1 struct]
           TransformWeights: [363x100 double]
    InitialTransformWeights: []


  Properties, Methods

sparsefilt выдает предупреждение, поскольку оно остановлено из-за достижения предела итерации, вместо достижения предельного размера шага или предельного размера градиента. Вы по-прежнему можете использовать выученные функции в возвращаемом объекте, вызывая transform функция.

Преобразуйте первые пять строк входных данных X в новую возможность пространство.

y = transform(Mdl,X(1:5,:));
size(y)
ans = 1×2

     5   100

Входные параметры

свернуть все

Модель редукции данных, заданная как SparseFiltering объект или как ReconstructionICA объект. Создание Mdl при помощи sparsefilt функцию или rica функция.

Данные предиктора, заданные как матрица с p столбцы или как таблица числовых значений с p столбцы. Здесь, p количество предикторов в модели, что Mdl.NumPredictors. Каждая строка матрицы или таблицы входа представляет одну точку данных для преобразования.

Типы данных: single | double | table

Выходные аргументы

свернуть все

Преобразованные данные, возвращенные как n-by- q матрица. Здесь, n количество строк во входных данных x, и q количество функций, которое Mdl.NumLearnedFeatures.

Алгоритмы

transform преобразует данные в предсказанные функции с помощью выученной матрицы веса W для сопоставления входных предикторов с выходными функциями.

  • Для rica, входные данные X линейно преобразуется в выходные функции XW. См. Алгоритм восстановления ICA.

  • Для sparsefilt, входные данные отображаются нелинейно, чтобы вывести функции F^(X, W). См. Разреженные Алгоритмы фильтрации.

    Внимание

    Результат transform для разреженной фильтрации зависит от количества точек данных. В частности, результатом применения transform к каждой строке матрицы отдельно отличается от результата применения transform ко всей матрице сразу.

См. также

| | |

Темы

Введенный в R2017a

Statistics and Machine Learning Toolbox документация

Поддержка