fsulaplaciangydF4y2Ba
使用拉普拉斯算子的分数等级特性无监督学习gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
排名(变量)的特性gydF4y2BaidxgydF4y2Ba
= fsulaplacian (gydF4y2BaXgydF4y2Ba
)gydF4y2BaXgydF4y2Ba
使用gydF4y2Ba拉普拉斯算子的分数gydF4y2Ba。函数返回gydF4y2BaidxgydF4y2Ba
,其中包含功能命令功能重要性的指标。您可以使用gydF4y2BaidxgydF4y2Ba
选择无监督学习的重要特征。gydF4y2Ba
使用一个或多个指定附加选项名称-值对参数。例如,您可以指定gydF4y2BaidxgydF4y2Ba
= fsulaplacian (gydF4y2BaXgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba“NumNeighbors”, 10gydF4y2Ba
创建一个gydF4y2Ba相似度图gydF4y2Ba使用10最近的邻居。gydF4y2Ba
(gydF4y2Ba
分数也返回功能gydF4y2BaidxgydF4y2Ba
,gydF4y2Ba分数gydF4y2Ba
)= fsulaplacian (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba分数gydF4y2Ba
,使用任何输入参数组合在前面的语法。大的得分值表明,相应的功能是很重要的。gydF4y2Ba
例子gydF4y2Ba
等级特征的重要性gydF4y2Ba
加载示例数据。gydF4y2Ba
负载gydF4y2Ba电离层gydF4y2Ba
基于重要性等级的特性。gydF4y2Ba
[idx,分数]= fsulaplacian (X);gydF4y2Ba
创建一个酒吧的情节功能重要性分数。gydF4y2Ba
栏(分数(idx))包含(gydF4y2Ba“功能等级”gydF4y2Ba)ylabel (gydF4y2Ba“功能重要性分数”gydF4y2Ba)gydF4y2Ba
选择五大最重要的功能。找到这些特性的列gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
idx (1:5)gydF4y2Ba
ans =gydF4y2Ba1×5gydF4y2Ba15 13日17日21日19日gydF4y2Ba
的15列gydF4y2BaXgydF4y2Ba
是最重要的特性。gydF4y2Ba
使用指定的相似矩阵秩特性gydF4y2Ba
计算相似度矩阵从费雪的虹膜数据集和等级使用相似矩阵的特性。gydF4y2Ba
加载费雪的虹膜数据集。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2Ba
找到观察的每一对之间的距离gydF4y2Ba量gydF4y2Ba
通过使用gydF4y2BapdistgydF4y2Ba
和gydF4y2BasquareformgydF4y2Ba
函数使用默认的欧氏距离度量。gydF4y2Ba
D = pdist(量);Z = squareform (D);gydF4y2Ba
构造相似度矩阵并确认它是对称的。gydF4y2Ba
S = exp (- z ^ 2);issymmetric (S)gydF4y2Ba
ans =gydF4y2Ba逻辑gydF4y2Ba1gydF4y2Ba
排名的功能。gydF4y2Ba
idx = fsulaplacian(量,gydF4y2Ba“相似”gydF4y2Ba,年代)gydF4y2Ba
idx =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba
排名使用相似矩阵gydF4y2Ba年代gydF4y2Ba
是一样的排名通过指定吗gydF4y2Ba“NumNeighbors”gydF4y2Ba
作为gydF4y2Ba尺寸(量,1)gydF4y2Ba
。gydF4y2Ba
idx2 = fsulaplacian(量,gydF4y2Ba“NumNeighbors”gydF4y2Ba、尺寸(量,1))gydF4y2Ba
idx2 =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba
输入参数gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba输入数据gydF4y2Ba
数字矩阵gydF4y2Ba
输入数据,指定为一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵。的行gydF4y2BaXgydF4y2Ba
对应于观测(点),列对应功能。gydF4y2Ba
该软件将gydF4y2Ba南gydF4y2Ba
年代gydF4y2BaXgydF4y2Ba
缺失的数据,忽略任何行gydF4y2BaXgydF4y2Ba
包含至少一个gydF4y2Ba南gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选的双参数作为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba的名字gydF4y2Ba
参数名称和吗gydF4y2Ba价值gydF4y2Ba
相应的价值。名称-值参数必须出现在其他参数,但对的顺序无关紧要。gydF4y2Ba
R2021a之前,用逗号来分隔每一个名称和值,并附上gydF4y2Ba的名字gydF4y2Ba
在报价。gydF4y2Ba
例子:gydF4y2Ba“NumNeighbors”10“KernelScale”、“汽车”gydF4y2Ba
最近的邻居10指定的数量和内核比例因子gydF4y2Ba“汽车”gydF4y2Ba
。gydF4y2Ba
相似gydF4y2Ba
- - - - - -gydF4y2Ba相似度矩阵gydF4y2Ba
[]gydF4y2Ba
(空矩阵)gydF4y2Ba(默认)|gydF4y2Ba对称矩阵gydF4y2Ba
相似矩阵,指定为逗号分隔组成的gydF4y2Ba“相似”gydF4y2Ba
和一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba对称矩阵,gydF4y2BangydF4y2Ba是观测的数量。相似矩阵(或邻接矩阵)代表输入数据的建模附近的数据点之间的关系。相似矩阵中的值表示节点之间的边(或连接)(数据点)的连接gydF4y2Ba相似度图gydF4y2Ba。有关更多信息,请参见gydF4y2Ba相似度矩阵gydF4y2Ba。gydF4y2Ba
如果你指定gydF4y2Ba“相似”gydF4y2Ba
值,那么你不能指定其他名称-值对的论点。如果你不指定gydF4y2Ba“相似”gydF4y2Ba
值,那么软件计算相似矩阵使用指定的其他名称-值对参数的选项。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
距离gydF4y2Ba
- - - - - -gydF4y2Ba距离度量gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba字符串标量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba
距离度量,指定为逗号分隔组成的gydF4y2Ba“距离”gydF4y2Ba
和一个特征向量,字符串标量或函数处理,如这个表所述。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“欧几里得”gydF4y2Ba |
欧氏距离(默认)gydF4y2Ba |
“seuclidean”gydF4y2Ba |
标准化的欧氏距离。观察每个坐标区别是通过除以相应的扩展元素的标准差计算gydF4y2Ba |
“mahalanobis”gydF4y2Ba |
而使用的样本协方差距离gydF4y2Ba |
“cityblock”gydF4y2Ba |
城市街区的距离gydF4y2Ba |
闵可夫斯基的gydF4y2Ba |
闵可夫斯基距离。默认的指数是2。使用gydF4y2Ba |
“chebychev”gydF4y2Ba |
Chebychev距离(最大坐标差异)gydF4y2Ba |
的余弦gydF4y2Ba |
1 -之间的夹角的余弦值观察(视为向量)gydF4y2Ba |
“相关”gydF4y2Ba |
1 -样本之间的相关性观察(视为序列值)gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明距离,协调不同的百分比gydF4y2Ba |
“jaccard”gydF4y2Ba |
1 - Jaccard系数,非零坐标不同的百分比gydF4y2Ba |
“枪兵”gydF4y2Ba |
1 -样本之间的斯皮尔曼等级相关的观察(视为序列值)gydF4y2Ba |
@gydF4y2Ba |
自定义距离函数处理。距离函数的形式gydF4y2Ba 函数gydF4y2BaZJ D2 = distfun(子)gydF4y2Ba%计算距离gydF4y2Ba…gydF4y2Ba
如果你的数据不是稀疏的,你可以通过使用一个内置的通常更快的计算距离的距离而不是一个函数处理。gydF4y2Ba |
有关更多信息,请参见gydF4y2Ba距离度量gydF4y2Ba。gydF4y2Ba
当你使用gydF4y2Ba“seuclidean”gydF4y2Ba
,gydF4y2Ba闵可夫斯基的gydF4y2Ba
,或gydF4y2Ba“mahalanobis”gydF4y2Ba
距离度量,您可以指定额外的名称-值对的论点gydF4y2Ba“规模”gydF4y2Ba
,gydF4y2Ba“P”gydF4y2Ba
,或gydF4y2Ba“浸”gydF4y2Ba
分别控制的距离度量。gydF4y2Ba
例子:gydF4y2Ba“距离”、“闵可夫斯基”,“P”3gydF4y2Ba
指定使用闵可夫斯基距离度量的指数gydF4y2Ba3gydF4y2Ba
。gydF4y2Ba
PgydF4y2Ba
- - - - - -gydF4y2Ba闵可夫斯基距离度量的指数gydF4y2Ba
2gydF4y2Ba
(默认)|gydF4y2Ba积极的标量gydF4y2Ba
闵可夫斯基距离度量指数,指定为逗号分隔组成的gydF4y2Ba“P”gydF4y2Ba
和积极的标量。gydF4y2Ba
这个论点是有效的前提gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba闵可夫斯基的gydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Ba“P”3gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
浸gydF4y2Ba
- - - - - -gydF4y2Ba协方差矩阵的距离度量gydF4y2Ba
X (X, omitrows)gydF4y2Ba
(默认)|gydF4y2Ba正定矩阵gydF4y2Ba
协方差矩阵的Mahalanobis距离度量,指定为逗号分隔组成的gydF4y2Ba“浸”gydF4y2Ba
和一个正定矩阵。gydF4y2Ba
这个论点是有效的前提gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba“mahalanobis”gydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Ba“浸”,眼睛(4)gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
规模gydF4y2Ba
- - - - - -gydF4y2Ba缩放因子标准化的欧氏距离度量gydF4y2Ba
性病(X, omitnan)gydF4y2Ba
(默认)|gydF4y2Ba数值向量的非负价值gydF4y2Ba
比例因子标准化的欧氏距离度量,指定为逗号分隔组成的gydF4y2Ba“规模”gydF4y2Ba
和非负数字矢量值。gydF4y2Ba
规模gydF4y2Ba
长度gydF4y2BapgydF4y2Ba(列的数量gydF4y2BaXgydF4y2Ba
),因为每个维度(列)gydF4y2BaXgydF4y2Ba
有相应的价值gydF4y2Ba规模gydF4y2Ba
。每个维度的gydF4y2BaXgydF4y2Ba
,gydF4y2BafsulaplaciangydF4y2Ba
使用相应的价值gydF4y2Ba规模gydF4y2Ba
标准化的观察之间的区别。gydF4y2Ba
这个论点是有效的前提gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba“seuclidean”gydF4y2Ba
。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
NumNeighborsgydF4y2Ba
- - - - - -gydF4y2Ba许多最近的邻居gydF4y2Ba
日志(大小(X, 1))gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba
最近的邻居数量用于构造相似图,指定为逗号分隔组成的gydF4y2Ba“NumNeighbors”gydF4y2Ba
和一个正整数。gydF4y2Ba
例子:gydF4y2Ba“NumNeighbors”, 10gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
KernelScalegydF4y2Ba
- - - - - -gydF4y2Ba比例因子gydF4y2Ba
1gydF4y2Ba
(默认)|gydF4y2Ba“汽车”gydF4y2Ba
|gydF4y2Ba积极的标量gydF4y2Ba
比例因子为内核,指定为逗号分隔组成的gydF4y2Ba“KernelScale”gydF4y2Ba
和gydF4y2Ba“汽车”gydF4y2Ba
或积极的标量。软件使用比例因子变换距离相似性措施。有关更多信息,请参见gydF4y2Ba相似度图gydF4y2Ba。gydF4y2Ba
的gydF4y2Ba
“汽车”gydF4y2Ba
选择是支持的万博1manbetxgydF4y2Ba“欧几里得”gydF4y2Ba
和gydF4y2Ba“seuclidean”gydF4y2Ba
距离度量。gydF4y2Ba如果您指定gydF4y2Ba
“汽车”gydF4y2Ba
,那么软件使用启发式程序选择合适的比例因子。这种启发式程序使用二次抽样,所以估计可以改变从一个调用到另一个。复制的结果,设置一个随机数种子使用gydF4y2BarnggydF4y2Ba
在调用之前gydF4y2BafsulaplaciangydF4y2Ba
。gydF4y2Ba
例子:gydF4y2Ba“KernelScale”、“汽车”gydF4y2Ba
输出参数gydF4y2Ba
idxgydF4y2Ba
——功能命令功能重要性的指标gydF4y2Ba
数值向量gydF4y2Ba
指数的功能gydF4y2BaXgydF4y2Ba
命令功能的重要性,作为一个数值向量返回。例如,如果gydF4y2Baidx (3)gydF4y2Ba
是gydF4y2Ba5gydF4y2Ba
,然后第三个最重要的特性是第五纵队gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
分数gydF4y2Ba
——功能得分gydF4y2Ba
数值向量gydF4y2Ba
功能评分,作为一个数值向量返回。大的得分值gydF4y2Ba分数gydF4y2Ba
显示相应的功能是很重要的。中的值gydF4y2Ba分数gydF4y2Ba
有相同的订单功能吗gydF4y2BaXgydF4y2Ba
。gydF4y2Ba
更多关于gydF4y2Ba
相似度图gydF4y2Ba
相似图模型附近的数据点之间的关系gydF4y2BaXgydF4y2Ba
作为一个无向图。图中的节点代表数据点,边缘,没有方向的,代表了数据点之间的连接。gydF4y2Ba
如果两两距离gydF4y2Ba经销gydF4y2Ba我,我gydF4y2Ba任意两个节点之间gydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba是积极的(或大于某一阈值),然后相似图连接两个节点使用一个优势gydF4y2Ba[2]gydF4y2Ba。两个节点之间的边是成对相似性的加权gydF4y2Ba年代gydF4y2Ba我,我gydF4y2Ba,在那里gydF4y2Ba 为指定的内核gydF4y2BaσgydF4y2Ba价值。gydF4y2Ba
fsulaplaciangydF4y2Ba
使用最近邻方法构造相似图。函数连接分gydF4y2BaXgydF4y2Ba
这是最近的邻居。使用gydF4y2Ba“NumNeighbors”gydF4y2Ba
指定的数量最近的邻居。gydF4y2Ba
相似度矩阵gydF4y2Ba
一个相似的矩阵是一个矩阵表示gydF4y2Ba相似度图gydF4y2Ba。的gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba矩阵gydF4y2Ba 包含成对相似性值连接节点之间的相似度图。相似矩阵的图也称为邻接矩阵。gydF4y2Ba
相似矩阵是对称的,因为相似图形的边缘是没有方向的。的值gydF4y2Ba年代gydF4y2Ba我,我gydF4y2Ba= 0gydF4y2Ba
意味着节点gydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba相似的图不连接。gydF4y2Ba
度矩阵gydF4y2Ba
度矩阵gydF4y2BaDgydF4y2BaggydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba获得的对角矩阵加法的行gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba。也就是说,gydF4y2Ba我gydF4y2Bath对角元素的gydF4y2BaDgydF4y2BaggydF4y2Ba是gydF4y2Ba
拉普拉斯算子的矩阵gydF4y2Ba
拉普拉斯算子矩阵,这是代表的一种方式gydF4y2Ba相似度图gydF4y2Ba被定义为的区别gydF4y2Ba度矩阵gydF4y2BaDgydF4y2BaggydF4y2Ba和gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba。gydF4y2Ba
算法gydF4y2Ba
拉普拉斯算子的分数gydF4y2Ba
的gydF4y2BafsulaplaciangydF4y2Ba
函数使用拉普拉斯算子的分数排名功能gydF4y2Ba[1]gydF4y2Ba从最近的邻居gydF4y2Ba相似度图gydF4y2Ba。gydF4y2Ba
fsulaplaciangydF4y2Ba
计算的值gydF4y2Ba分数gydF4y2Ba
如下:gydF4y2Ba
为每个数据点gydF4y2Ba
XgydF4y2Ba
使用最近邻方法,定义一个本地社区,并找到成对的距离gydF4y2Ba 对所有点gydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba在附近。gydF4y2Ba转换的距离gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba使用内核转换gydF4y2Ba ,在那里gydF4y2BaσgydF4y2Ba是内核的比例因子是指定的吗gydF4y2Ba
“KernelScale”gydF4y2Ba
名称-值对的论点。gydF4y2Ba中心每个特性通过移除它的意思。gydF4y2Ba
在哪里gydF4y2BaxgydF4y2BargydF4y2Ba是gydF4y2BargydF4y2Bath特性,gydF4y2BaDgydF4y2BaggydF4y2Ba是gydF4y2Ba度矩阵gydF4y2Ba,gydF4y2Ba 。gydF4y2Ba
计算分数gydF4y2Ba年代gydF4y2BargydF4y2Ba为每个特性。gydF4y2Ba
请注意,gydF4y2Ba[1]gydF4y2Ba定义了拉普拉斯算分数gydF4y2Ba
在哪里gydF4y2BalgydF4y2Ba是gydF4y2Ba拉普拉斯算子的矩阵gydF4y2Ba,定义为之间的区别gydF4y2BaDgydF4y2BaggydF4y2Ba和gydF4y2Ba年代gydF4y2Ba。的gydF4y2BafsulaplaciangydF4y2Ba
函数方程只使用第二项的得分值gydF4y2Ba分数gydF4y2Ba
这样大的得分值表示一个重要特征。gydF4y2Ba
使用拉普拉斯算子的选择功能评分与减少价值是一致的gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba红外gydF4y2Ba代表了gydF4y2Ba我gydF4y2Bath的观察gydF4y2BargydF4y2Bath特性。最小化这个值意味着算法更喜欢大方差的特性。同时,算法假定两个数据点的一个重要特性接近当且仅当两个数据之间的相似度图有一个边缘点。gydF4y2Ba
引用gydF4y2Ba
他[1],X。,D。Cai, and P. Niyogi. "Laplacian Score for Feature Selection."少量的程序。gydF4y2Ba2005年。gydF4y2Ba
[2]·冯·Luxburg,“关于谱聚类的教程”。gydF4y2Ba统计和计算杂志gydF4y2Ba。Vol.17,数字4,2007年,页395 - 416。gydF4y2Ba
版本历史gydF4y2Ba
介绍了R2019bgydF4y2Ba
Beispiel offnengydF4y2Ba
您有一张这本Beispiels geanderte版本。您这本Beispiel麻省理工学院古老Anderungen offnen吗?gydF4y2Ba
MATLAB-BefehlgydF4y2Ba
您有窗户的链接geklickt,汪汪汪der diesem MATLAB-Befehl entspricht:gydF4y2Ba
在das MATLAB-Befehlsfenster Fuhren您窝Befehl军队Eingabe来自。浏览器unterstutzen MATLAB-Befehle。gydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站翻译内容,看到当地事件和提供。根据你的位置,我们建议您选择:gydF4y2Ba。gydF4y2Ba
你也可以从下面的列表中选择一个网站:gydF4y2Ba
表现最好的网站怎么走吗gydF4y2Ba
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba