特征选择

鲁棒特征选择使用NCA回归

在NCA中使用自定义鲁棒损失函数进行对离群值鲁棒的特征选择。

邻域成分分析(NCA)特征选择

邻域分量分析(NCA)是一种非参数和嵌入的特征选择方法，其目标是最大限度地提高回归和分类算法的预测精度。

特征选择

了解特征选择算法，如序列特征选择。

特征提取

特征提取工作流程

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开混合的音频信号。

特征提取

特征提取是一套从数据中提取高级特征的方法。

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一个有用的低维嵌入。

tsne设置

这个例子展示了各种tsne设置。

t-SNE

t-SNE是一种将高维数据非线性约简为二维或三维，同时保留原始数据某些特征的可视化方法。

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

进行加权主成分分析并解释结果。

偏最小二乘回归和主成分回归

通过实例说明了如何应用偏最小二乘回归(Partial Least Squares Regression, PLSR)和主成分回归(Principal Components Regression, PCR)，并讨论了这两种方法的有效性。

主成分分析(PCA)

主成分分析通过将几个相关变量替换为一组新的变量，这些变量是原始变量的线性组合，从而降低了数据的维数。

因子分析

运用因素分析分析股票价格

使用因素分析来调查同一行业内的公司是否经历了类似的每周股票价格的变化。

因子分析

因子分析是一种将模型拟合到多元数据的方法，以估计测量变量对较少数量的未观测(潜在)因素的相互依赖性。

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近似的降维技术。

多维标度

经典多维标度

使用cmdscale执行经典(度量)多维尺度，也称为主坐标分析。

多维标度

多维尺度允许您可视化各种距离或不同度量的点之间的距离，并可以在少量维中生成数据的表示。

非经典和非度量多维尺度

使用执行非经典的多维缩放mdscale．

普罗克汝斯忒斯分析

使用Procrustes分析比较手写形状

使用Procrustes分析来比较两个手写数字。

普罗克汝斯忒斯分析

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