特征选择

使用NCA进行回归的鲁棒特征选择

在NCA中使用自定义鲁棒损失函数执行对异常值鲁棒的特征选择。

邻域成分分析(NCA)特征选择

邻域成分分析(NCA)是一种非参数的嵌入式特征选择方法，目的是最大限度地提高回归和分类算法的预测精度。

特征提取

特征提取流程

这个例子展示了从图像数据中提取特征的完整工作流。

提取混合信号

这个例子展示了如何使用黎加解杂音频信号。

特征提取

特征提取是从数据中提取高级特征的一套方法。

t-SNE多维可视化

使用t-SNE可视化高维数据

这个例子展示了t-SNE如何为高维数据创建有用的低维嵌入。

tsne设置

这个例子展示了各种tsne设置。

t-SNE

t-SNE是一种通过非线性降维到二维或三维，同时保留原始数据的一些特征来可视化高维数据的方法。

t-SNE输出函数

t-SNE的输出函数描述和示例。

主成分分析与典型相关

使用PCA分析美国城市的生活质量

执行加权主成分分析并解释结果。

偏最小二乘回归与主成分回归

本例说明了如何应用偏最小二乘回归(PLSR)和主成分回归(PCR)，并讨论了这两种方法的有效性。

主成分分析(PCA)

主成分分析通过用一组新的变量替换几个相关变量来降低数据的维数，这些新变量是原始变量的线性组合。

因子分析

使用因子分析分析股票价格

使用因素分析来调查同一行业内的公司是否经历类似的每周股价变化。

因子分析

因子分析是一种将模型与多变量数据拟合的方法，以估计测量变量在较少数量的未观察(潜在)因素上的相互依赖性。

非负矩阵分解

执行非负矩阵分解

使用乘法和交替最小二乘算法执行非负矩阵分解。

非负矩阵分解

非负矩阵分解（NMF)是一种基于特征空间低秩逼近的降维技术。

多维标度

经典多维尺度

使用cmdscale执行经典(度量)多维缩放，也称为主坐标分析。

多维标度

多维缩放允许您可视化对于多种距离或不同度量，点之间的距离有多近，并可以生成少量维度的数据表示。

非经典和非度量多维尺度

执行非经典多维缩放使用mdscale．

普罗克汝斯忒斯分析

使用Procrustes分析比较手写形状

使用Procrustes分析比较两个手写数字。

普罗克汝斯忒斯分析

Procrustes分析使用最佳形状保持欧几里得变换将比较地标数据之间的位置差异最小化