數據降維演算法

『壹』 有監督學習和無監督學習演算法怎麼理解

在判斷是有監督學習還是在無監督學習上，我們可以具體是否有監督（supervised），就看輸入數據是否有標簽（label）。輸入數據有標簽，則為有監督學習，沒標簽則為無監督學習。

什麼是學習（learning）？

一個成語就可概括：舉一反三。機器學習的思路有點類似高考一套套做模擬試題，從而熟悉各種題型，能夠面對陌生的問題時算出答案。

簡而言之，機器學習就是看能不能利用一些訓練數據（已經做過的題），使機器能夠利用它們（解題方法）分析未知數據（高考題目），而這種根據類別未知(沒有被標記)的訓練樣本解決模式識別中的各種問題，稱之為無監督學習。

常用的無監督學習演算法主要有三種：聚類、離散點檢測和降維，包括主成分分析方法PCA等，等距映射方法、局部線性嵌入方法、拉普拉斯特徵映射方法、黑塞局部線性嵌入方法和局部切空間排列方法等。

從原理上來說，PCA等數據降維演算法同樣適用於深度學習，但是這些數據降維方法復雜度較高，所以現在深度學習中採用的無監督學習方法通常採用較為簡單的演算法和直觀的評價標准。比如無監督學習中最常用且典型方法聚類。

在無監督學習中，我們需要將一系列無標簽的訓練數據，輸入到一個演算法中，然後我們告訴這個演算法，快去為我們找找這個數據的內在結構給定數據。這時就需要某種演算法幫助我們尋找一種結構。

監督學習（supervised learning），是從給定的有標注的訓練數據集中學習出一個函數（模型參數），當新的數據到來時可以根據這個函數預測結果。 常見任務包括分類與回歸。

無監督學習方法在尋找數據集中的規律性，這種規律性並不一定要達到劃分數據集的目的，也就是說不一定要「分類」。比如，一組顏色各異的積木，它可以按形狀為維度來分類，也可以按顏色為維度來分類。（這一點比監督學習方法的用途要廣。如分析一堆數據的主分量，或分析數據集有什麼特點都可以歸於無監督學習方法的范疇） ，而有監督學習則是通過已經有的有標簽的數據集去訓練得到一個最優模型。

『貳』 如何實現降維處理

降維方法分為線性核非線性降維，非線性降維又分為基於核函數和基於特徵值的方法。

線性降維方法：PCA ICALDA LFA LPP(LE的線性表示)

於核函數的非線性降維方法：KPCA KICAKDA

基於特徵值的非線性降維方法（流型學習）：ISOMAP LLE LE LPP LTSA MVU

『叄』 pca演算法指的是什麼

PCA（principle component analysis），即主成分分析法，是一個非監督的機器學習演算法，是一種用於探索高維數據結構的技術，主要用於對數據的降維，通過降維可以發現更便於人理解的特徵，加快對樣本有價值信息的處理速度，此外還可以應用於可視化（降到二維）和去噪。

PCA與LDA演算法的基本思想

數據從原來的坐標系轉換到新的坐標系，新坐標系的選擇是由數據本身決定的。第一個新坐標軸選擇的是原始數據中方差最大的方向，第二個新坐標軸選擇和第一個坐標軸正交且具有最大方差的方向。該過程一直重復，重復次數為原始數據中特徵的數目。我們會發現，大部分方差都包含在最前面的幾個新坐標軸中。因此，我們可以忽略餘下的坐標軸，即對數據進行降維處理。

『肆』 降維的概念

若原特徵空間是D維的,現希望降至d維的 降維方法分為線性核非線性降維，非線性降維又分為基於核函數和基於特徵值的方法。
1、線性降維方法：PCA 、ICA LDA、LFA、LPP(LE的線性表示)
2、非線性降維方法：
（1）基於核函數的非線性降維方法：KPCA 、KICA、KDA
（2）基於特徵值的非線性降維方法（流型學習）：ISOMAP、LLE、LE、LPP、LTSA、MVU 1、LLE（Locally Linear Embedding）演算法（局部線性嵌入）：
每一個數據點都可以由其近鄰點的線性加權組合構造得到。
演算法的主要步驟分為三步：
（1）尋找每個樣本點的k個近鄰點（k是一個預先給定的值）；
（2）由每個樣本點的近鄰點計算出該樣本點的局部重建權值矩陣；
（3）由該樣本點的局部重建權值矩陣和其近鄰點計算出該樣本點的輸出值，定義一個誤差函數。

『伍』 matlab中的降維函數是什麼

drttoolbox : Matlab Toolbox for Dimensionality Rection是Laurens van der Maaten數據降維的工具箱。
裡面囊括了幾乎所有的數據降維演算法：
- Principal Component Analysis ('PCA')
- Linear Discriminant Analysis ('LDA')
- Independent Component Analysis ('ICA')
- Multidimensional scaling ('MDS')
- Isomap ('Isomap')
- Landmark Isomap ('LandmarkIsomap')
- Locally Linear Embedding ('LLE')
- Locally Linear Coordination ('LLC')
- Laplacian Eigenmaps ('Laplacian')
- Hessian LLE ('HessianLLE')
- Local Tangent Space Alignment ('LTSA')
- Diffusion maps ('DiffusionMaps')
- Kernel PCA ('KernelPCA')
- Generalized Discriminant Analysis ('KernelLDA')
- Stochastic Neighbor Embedding ('SNE')
- Neighborhood Preserving Embedding ('NPE')
- Linearity Preserving Projection ('LPP')
- Stochastic Proximity Embedding ('SPE')
- Linear Local Tangent Space Alignment ('LLTSA')
- Simple PCA ('SPCA')

『陸』 PCA的演算法是什麼

PCA是主成分分析法，目的就是對高維數據進行降維，提取主要成分。我也是最近才開始看這個的，我也不是很明白。網上應該有這方面的代碼。可以去程序員聯合開發網看看，http://www.pudn.com/downloads188/sourcecode/windows/detail882107.html
http://www.pudn.com/downloads102/sourcecode/graph/texture_mapping/detail415764.html

『柒』 請問當今比較流行的數據降維演算法有哪些

這個要看你的需求和數據的data distribution，找到最合適的演算法解決你的問題。
如果數據分布比較簡單，線性映射降維就夠了，比如PCA、ICA。
如果數據分布比較復雜，可能需要用到manifold learning，具體演算法比如SOM、MDS、ISOMAP、LLE，另外deep learning也可以用來做降維。

『捌』 降維是什麼意思

意思如下：

維，在幾何學上指空間獨立而互相正交的方位數，通常的空間有三維，平面或曲面有二維，直線或曲線只有一維。

在商業領域，企業的競爭力可以體現在若干個維度的累加上，這些維度包括核心技術、成本優勢、管理優勢、人才優勢、地域優勢等多個方面。

降維就是把競爭對手拉入到一個更低維度的競爭模式中，讓對手因為失去原有的競爭力而無所適從。

降維方法

降維方法分為線性和非線性降維，非線性降維又分為基於核函數和基於特徵值的方法。

1、線性降維方法：PCA 、ICA LDA、LFA、LPP(LE的線性表示)

2、非線性降維方法：

（1）基於核函數的非線性降維方法：KPCA 、KICA、KDA

（2）基於特徵值的非線性降維方法（流型學習）：ISOMAP、LLE、LE、LPP、LTSA、MVU

方法介紹

1、LLE（Locally Linear Embedding）演算法（局部線性嵌入）：

每一個數據點都可以由其近鄰點的線性加權組合構造得到。

演算法的主要步驟分為三步：

（1）尋找每個樣本點的k個近鄰點（k是一個預先給定的值）；

（2）由每個樣本點的近鄰點計算出該樣本點的局部重建權值矩陣；

（3）由該樣本點的局部重建權值矩陣和其近鄰點計算出該樣本點的輸出值，定義一個誤差函數。

『玖』 LBP和PCA演算法的區別

LBP演算法：全稱Local binary pattern ，是機器視覺領域非常重要的一種特徵。LBP可以有效地處理光照變化，在紋理分析，紋理識別方面被廣泛應用。LBP 的演算法非常簡單，簡單來說，就是對圖像中的某一像素點的灰度值與其鄰域的像素點的灰度值做比較。

PCA演算法：全稱principle component analysis，在力求數據信息丟失最少的原則下，對高緯度的變數空間降維 ，即研究指標體系的少數幾個線性組合，並且這幾個線性組合所構成的綜合指標將盡可能多地保留信息。主要用於對數據的降維，通過降維可以發現更便於人理解的特徵，加快對樣本有價值信息的處理速度，此外還可以應用於可視化（降到二維）和去噪。

若幫助到您，求採納~