变换

将预测器转换为提取的特征

折叠所有页面

语法

z =变换(Mdl,x)

描述

例子

z=变换(Mdl，x）转换数据x进入特性z通过模型Mdl。

例子

全部折叠

将数据转换为已学习的特征

打开实时脚本

创建包含100个特征的特征转换模型SampleImagePatches数据。

rng (“默认”）%用于再现性数据=负载(“SampleImagePatches”）;Q = 100;X = data.X;Mdl = sparsefilt(X,q)

警告:解算器LBFGS不能收敛到一个解。

Mdl = SparseFiltering ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights: [] Properties, Methods

sparsefilt发出警告，因为它由于达到迭代限制而停止，而不是达到步长限制或梯度大小限制。方法，仍然可以在返回对象中使用已学习的特性变换函数。

转换输入数据的前五行X到新的功能空间。

y = transform(Mdl,X(1:5，:));大小(y)

ans =1×2100年5

输入参数

全部折叠

`Mdl`- - - - - -特征提取模型
`SparseFiltering`对象|`ReconstructionICA`对象

特征提取模型，指定为SparseFiltering对象或作为ReconstructionICA对象。创建Mdl通过使用sparsefilt函数或黎加函数。

`x`- - - - - -预测数据
矩阵`p`列|数值表与`p`列

预测器数据，指定为带有的矩阵p列或作为数值的表p列。在这里,p是模型中预测因子的数量，是哪个Mdl。NumPredictors。输入矩阵或表的每一行表示要转换的一个数据点。

数据类型:单|双|表格

输出参数

全部折叠

`z`-转换数据
`n`——- - - - - -`问`矩阵

转换后的数据，返回为n——- - - - - -问矩阵。在这里,n输入数据中的行数是多少x,问是特征的数量，是多少Mdl。NumLearnedFeatures。

算法

变换通过使用学习到的权重矩阵将数据转换为预测的特征W将输入预测器映射到输出特征。

为黎加，输入数据X线性映射到输出特征XW。看到重构ICA算法。
为sparsefilt，输入数据非线性映射到输出特征 $\overset{＾}{F}$ （X，W）.看到稀疏滤波算法。

谨慎

的结果变换对于稀疏滤波来说取决于数据点的数量。特别是应用的结果变换对矩阵的每一行分别应用不同的结果变换对整个矩阵。