降维在很多机器学习问题中，训练集中的每条数据经常伴随着上千、甚至上万个特征。要处理这所有的特征的话，不仅会让训练非常缓慢，还会极大增加搜寻良好解决方案的困难。这个问题就是我们常说的维度灾难。不过值得庆幸的是，在实际问题中，经常可以极大地减少特征的数目，将棘手的问题转变为容易处理的问题。例如，以MNIST图片数据集为例：在图片边框附近的像素点基本都是白色，所以我们完全可以从训练集中剔除掉这些像素点，
转载
2023-11-13 23:58:06
173阅读
在这篇博文中，我们将探讨如何使用 Python 对图像进行降维分类。我们将通过一系列结构化的步骤引导大家完成这个过程，包括环境准备、集成步骤、配置详解、实战应用、性能优化和生态扩展。
### 环境准备
首先，我们需要确保我们的开发环境可以支持必要的库和工具。以下是我们使用的主要库：
- `numpy`
- `pandas`
- `scikit-learn`
- `matplotlib`
-
降维目的：样本数据为高维数据时，对数据进行降维操作，避免模型出现过拟合。1.过拟合含义：训练集误差小，验证集误差大。过拟合三种解决方案：1）增加数据集；2）正则化； 3）降维。 2.高维灾难：具有高维度特征的数据易导致高维灾难。高维灾难的几何角度解释： 高维灾难含义：高维数据分布具有稀疏性；不容易根据特征对数据进行分类. 3.降维降维分类：1）直接降维（特征选择（lasso））
转载
2024-05-17 08:50:02
35阅读
为什么要对数据进行降维？实际应用中的数据一般是高维的，比如手写的数字，如果我们缩放到28×28的图片大小，那么它的维度就是28×28=784维。举个简单的例子：下图是手写的1及其对应的图像二维矩阵，数据已经被规范化到[0,1]范围内。 降维的目的有很多，个人觉得最主要的目的有二：1.为了对数据进行可视化，以便对数据进行观察和探索。2.另外一个目的是简化机器学习模型的训练和预测。我们很难对高维数据具
转载
2023-11-04 23:06:49
141阅读
1.简介 在另一篇文章中讲了利用PCA对图片数据进行降维，这次介绍一下另一种降维方法——LDA(Linear Discriminant Analysis)，即线性判别分析。跟PCA不同，LDA是一种supervised的降维方法。即我们对数据降维时需要数据的label。 LDA的原理是要找到一个投影面，使得投影后相
转载
2024-06-23 06:49:29
111阅读
简介降维是由一些问题带来的：可以缓解由维度诅咒(高维)带来的问题；可以用来压缩数据，将损失数据最小化；可以将高维数据降到低维进行可视化。主成分分析(Principal components analysis，简称PCA)是最重要的降维方法之一。一般我们提到降维最容易想到的算法就是PCA，下面我们就对PCA的原理做一个总结。核心思想PCA降维的核心思想是：一个矩阵的主成分是它的协方差矩阵的特征向量，
转载
2023-10-04 20:36:46
124阅读
原理： 线性判别分析（Linear Discriminant Analysis，简称LDA）是一种经典的监督学习的数据降维方法，也叫做Fisher线性判别（Fisher Linear Discriminant，FLD），是模式识别的经典算法 ，它是在1996年由Belhumeur引入模式识别
本文包括两部分，使用python实现PCA代码及使用sklearn库实现PCA降维，不涉及原理。总的来说，对n维的数据进行PCA降维达到k维就是：对原始数据减均值进行归一化处理；求协方差矩阵；求协方差矩阵的特征值和对应的特征向量；选取特征值最大的k个值对应的特征向量；经过预处理后的数据乘以选择的特征向量，获得降维结果。 实验数据数据data.txt使用[2]中编写的数据，以下是部分数据截
转载
2023-08-10 11:37:47
229阅读
# 使用LDA进行降维后进行分类的指南
在当今数据驱动的时代，降维和分类是数据科学中两个重要的环节。通过将高维数据使用LDA（线性判别分析）降维到较低的维度后，我们可以更有效地进行分类。本文将会逐步引导你实现“Python使用LDA降维后进行分类”的整个流程。
## 整体流程
我们将整个过程分为以下几个步骤，具体流程如下：
| 步骤 | 描述
原创
2024-09-15 04:03:28
278阅读
数据降维：定义：特征的数量减少特征选择：原因：1、冗余部分特征相关性高，容易消耗计算机性能2、噪声：部分特征对预测结果有负影响工具：1、Filter（过滤式）：VarianceThreshold （sklearn.feature_selection.VarianceThreshold）2、Embedded（嵌入式）：正则化、决策树3、Wrapper（包裹式）方差大小来考虑P
转载
2023-08-31 15:36:19
102阅读
sklearn中的降维算法1. PCA与SVD sklearn中降维算法都被包括在模块decomposition中，这个模块本质是一个矩阵分解模块。在过去的十年中，如果要讨论算法进步的先锋，矩阵分解可以说是独树一帜。矩阵分解可以用在降维，深度学习，聚类分析，数据预处理，低纬度特征学习，推荐系统，大数据分析等领域。在2006年，Netflix曾经举办了一个奖金为100万美元的推荐系统算
转载
2024-01-08 14:23:47
59阅读
数据降维概述1.数据降维概述所谓的数据降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中，可以解决大规模特征下的数据显示问题，使得数据集更易使用，降低后续算法的计算，消除噪声影响并使得结果更易理解。 数据降维的方法有很多，可从线性或非线性角度对其简单分类。 线性降维是指通过降维所得到的低维数据能保持高维数据点之间的线性关系，主要包括主成分分析(Principal Compone
转载
2024-02-23 10:22:44
38阅读
Python中T-SNE实现降维 from sklearn.manifold import TSNE
from sklearn.datasets import load_iris
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
iris = load_iris()
X_tsne = TSNE(
转载
2023-05-30 19:50:27
106阅读
作者: 郗晓琴 熊泽伟今天这篇文章是介绍目前前沿好用的一种降维可视化算法：t-SNE,并且附带python的实际例子加以讲解。t-SNE是什么技术我们直接开门见山好了，第一件事：什么是t-SNE？t-SNE的全称叫做t分布式随机邻居嵌入（t-SNE）。该算法是一种非监督的非线性技术，主要用于数据探索和可视化高维数据。简而言之，t-SNE为我们提供了数据
转载
2023-08-09 19:41:45
198阅读
1 基于特征选择的降维特征选择是在数据建模过程最常用的特征降维手段，简单粗暴，即映射函数直接将不重要的特征删除，不过这样会造成特征信息的丢失，不利于模型的精度。由于数据的Fenix以抓住主要影响因素为主，变量越少越有利于分析，因此特征选择常用于统计分析模型中。1.1特征选择的方法过滤法(Filter)：按照发散性或者相关性对各个特征进行评分，通过设定阈值或者待选择阈值的个数来选择特征。包装法(Wr
转载
2023-11-13 23:27:06
86阅读
网上关于各种降维算法的资料参差不齐，同时大部分不提供源代码。这里有个 GitHub 项目整理了使用 Python 实现了 11 种经典的数据抽取(数据降维)算法，包括：PCA、LDA、MDS、LLE、TSNE 等，并附有相关资料、展示效果;非常适合机器学习初学者和刚刚入坑数据挖掘的小伙伴。所谓降维，即用一组个数为 d 的向量 Zi 来代表个数为 D 的向量 Xi 所包含的有用信息，其中 d<
转载
2023-08-15 17:18:52
128阅读
降维算法简介很多算法可以回归也可以分类降维算法PCA降维（主成分分析）LDA降维（线性判别分析）MDS降维（多维标度法）流形学习Isomap 简介很多算法可以回归也可以分类把连续值变为离散值：1.回归模型可以做分类：可以依据阀值（二元分类或多元分类）来分类2.逻辑回归二元分类，一个阀值。3.连续值进行分箱，实现多元分类4.把离散值变为连续值：插值法（1~2，在离散值之间插入足够密集的值）降维算法
转载
2023-09-19 07:01:06
165阅读
深度学习巨头之一的Hinton大神在数据降维领域有一篇经典论文Visualizing Data using t-SNE。该方法是流形（非线性）数据降维的经典，从发表至今鲜有新的降维方法能全面超越。该方法相比PCA等线性方法能有效将数据投影到低维空间并保持严格的分割界面；缺点是计算复杂度大，一般推荐先线性降维然后再用tSNE降维。python sklearn有相应的实现。我现在用Tensorflow
转载
2023-12-13 16:50:35
41阅读
注： 在《SVD(异值分解)小结 》中分享了SVD原理，但其中只是利用了numpy.linalg.svd函数应用了它，并没有提到如何自己编写代码实现它，在这里，我再分享一下如何自已写一个SVD函数。但是这里会利用到SVD的原理，如何大家还不明白它的原理，可以去看看《SVD(异值分解)小结 》，或者自行百度/google。1、SVD算法实现1.1 SVD原理简单回顾有一个\(m \times n\)
转载
2023-08-03 16:23:55
131阅读
主成分分析(Principal Component Analysis)Step 1:去相关(Decorrelation)Step 2: 降维(Reduce Dimension)数据是文本时Step 1:去相关(Decorrelation) 旋转数据样本，使它们与坐标轴对齐，并且样本均值变为0。##########################
转载
2023-06-21 21:04:08
216阅读
