一、维度：1、对于数组和series来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。2、维度指的是样本的数量或特征的数量，一般无特别说明，指的都是特征的数量。3、对图像来说，维度就是图像中特征向量的个数，特征向量可以理解为坐标轴，一个特征向量代表一维。也就是说，三维及一下的特征矩阵是可以被可视化的，三维以上的则不能。二、特征矩阵：特征矩阵特指二维，一定有行列，一个特征
转载
2024-04-15 14:26:05
86阅读
在科研、工程应用、生活中，我们所获取的数据往往包含着很多冗余信息，这些冗余信息往往对数据分析造成干扰，增加数据分析的复杂度。此时我们则需要对这些数据进行预处理，预处理的原则是：既能抓住其主要特征，又能剔除冗余信息，从而减少数据量。PCA降维就是这样的一种数据预处理算法。本文首先讲解PCA降维的计算原理，再使用C++与Opencv来实现该算法，并与Opencv现有的PCA函数接口进行降维结果的对比。
转载
2024-07-07 16:53:23
55阅读
# Python Reshape 和降维：深入理解数据处理
在数据科学和机器学习中，数据的形状和结构通常会决定模型的表现。尤其是在处理多维数组时，您可能会面临需要对数据进行降维或改变形状的情况。本文将介绍Python中常用的降维方法，特别是使用Numpy库进行reshape操作。
## 什么是降维？
降维，顾名思义，就是将数据从高维空间转换到低维空间的过程。这一过程不仅可以简化数据处理，还可
原创
2024-09-02 06:36:09
161阅读
文章目录numpy.reshape(a, newshape, order='C')1. 参数2. 返回值3. 如何理解 "新形状newshape，与原形状兼容，元素个数相同" ?4. 如何理解 order = {'C', 'F', 'A'} ? numpy.reshape(a, newshape, order=‘C’)在不改变数据的情况下给数组一个新的形状。就是先将数组按给定索引顺序一维展开，然
Numpy是一个Python的扩展模块，通过使用NumPy，我们可以进行科学计算。NumPy提供了矩阵、线性代数、傅里叶变换等的解决方法。NumPy包含：N维矩阵对象，线性代数运算功能，傅里叶变换，Fortran代码集成的工具，C++代码集成的工具。NumPy提供了两种基本的对象：ndarray（N-dimensional array object）和 ufunc（u
今天小编就为大家分享一篇python数据预处理方式 :数据降维，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧 数据为何要降维数据降维可以降低模型的计算量并减少模型运行时间、降低噪音变量信息对于模型结果的影响、便于通过可视化方式展示归约后的维度信息并减少数据存储空间。因此，大多数情况下，当我们面临高维数据时，都需要对数据做降维处理。数据降维有两种方式：特征选择，维度转换特征选择特征
转载
2023-08-09 17:49:04
170阅读
生成表格np.arange().reshapenp.random.randn()
原创
2024-02-24 09:01:54
64阅读
#%%
# 用于处理数组，大概可分为以下几类
"""
修改数组形状
翻转数组
修改数组维度
连接数组
分割数组
数组元素的添加与删除
"""
#%% md
## 修改数组形状
#%%
"""
函数 描述
reshape 不改变数据的条件下修改形状
flat 数组元素迭代器
flatten 返回一份数组拷贝，对拷贝所做的修改不会影响原始数组
ravel 返回展开数组
"""
#%% md
### n
转载
2024-05-28 11:59:40
74阅读
PVector丹尼尔 · 希夫曼编程运动最基本的组成部分是矢量。这就是我们开始的地方。现在，向量这个词可以意味着很多不同的东西。Vector 是 20世纪80年代初中期在加利福尼亚州萨克拉门托形成的新波浪岩带的名称。这是凯洛格加拿大公司生产的早餐麦片的名字。在流行病学领域，载体被用来描述从一个宿主向另一个宿主传播感染的生物体。在 C + + 编程语言中，向量 (std:: Vector) 是可动态
转载
2024-05-20 10:55:37
47阅读
1.主成分分析（Principal components analysis，以下简称PCA）是最重要的降维方法之一。在数据压缩消除冗余和数据噪音消除等领域都有广泛的应用。一般我们提到降维最容易想到的算法就是PCA，目标是基于方差提取最有价值的信息，属于无监督问题。但是降维后的数据因为经过多次矩阵的变化我们不知道降维后的数据意义，但是更加注重降维后的数据结果。2.向量的表示及基的变换（基：数据的衡
转载
2024-07-06 09:10:43
210阅读
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
特征降维方法包括：Lasso，PCA，小波分析，LDA(Linear Discriminant Analysis线性判别分析)，LDA(Latent Dirichlet Allocation潜在狄利克雷分配)，奇异值分解SVD，拉普拉斯特征映射，深度学习SparseAutoEncoder，局部线性嵌入LLE，等距映射Isomap，word2vec。1. LASSO通过参数缩减达到降维的目的。LAS
转载
2024-05-09 12:41:25
53阅读
前面写的PCA，LE，LDA，LLE都是以前就比较熟悉的东西，从这篇开始写的都是之前不熟悉的甚至都不知道名字的算法，然而都还很经典。疫情期间在家里看看原文，学习学习，既是算法总结又是读论文笔记。这篇来写LTSA局部切空间排列。本篇符号尽量与原文保持一致，与前面几篇有所不同。主要思路LTSA（Local Tangent Space Alignment）的基本思路是用样本点的近邻区域的切空间来表示局部
转载
2024-05-22 19:23:55
240阅读
目录例子LDA降维在前几篇的文章中，大管提到了PCA降维，有小伙伴私信说在实际情况中，效果不太好。那大管今天就和大家聊一聊另一种降维的方法线性判别分析 (LDA)。它目前也是机器学习领域中比较经典而且又热门的一种算法。 还记得在PCA中是怎样做的吗？简单来说，是将数据映射到方差比较大的方向上，最后用数学公式推导出矩阵的前TopN的特征向量，这里的方差可以理解为
转载
2024-02-21 16:20:43
85阅读
单细胞RNA降维之UMAPUMAP首先，UMAP是一种非线性降维的算法，相对于t-SNE，UMAP算法更加快速 该方法的原理是利用流形学和投影技术，达到降维目的 首先计算高维空间中的点之间的距离，将它们投影到低维空间，并计算该低维空间中的点之间的距离。然后，它使用随机梯度下降来最小化这些距离之间的差异。比方说，图中两个黑点，若考虑直线距离，那么这两个黑点之间距离很相近 如果放到流形学上，那么这两个
转载
2023-10-11 22:56:28
423阅读
本周关于降维的学习主要分为五类：PCA、LDA、LLE、tSNE、ISOMAP 来进行学习 首先自己的任务是：tSNE的学习 （一）降维的基本知识点总结 1、降维方法分为线性和非线性降维，非线性降维又分为基于核函数和基于特征值的方法。 （1）线性降维：PCA、ICA、LDA、LFA、LPP （2）非线性降维方法：①基于核函数的方法：KPCA、KICA、KDA ②基于特征值的方法：IS
转载
2024-04-08 08:25:43
101阅读
LLE局部线性嵌入，Locally Linear Embedding（LLE）是另一个功能强大的非线性降维（nonlinear dimensional reduction，NLDR）技术。它是一个流形学习技术，并不基于投影。简单地说，LLE工作的方式是：首先衡量每个训练实例与它最近的邻居们（closest neighbors，c.n.）的线性相关程度，然后在这些局部关系可以得到最好地保存的情况下，
转载
2024-03-19 10:28:42
50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
你遇到过特征超过1000个的数据集吗？超过5万个的呢？我遇到过。降维是一个非常具有挑战性的任务，尤其是当你不知道该从哪里开始的时候。拥有这么多变量既是一个恩惠——数据量越大，分析结果越可信；也是一种诅咒——你真的会感到一片茫然，无从下手。面对这么多特征，在微观层面分析每个变量显然不可行，因为这至少要几天甚至几个月，而这背后的时间成本是难以估计的。为此，我们需要一种更好的方法来处理高维数据，比如本文
转载
2023-08-22 20:10:14
260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
