主要内容

降维特征提取

主成分分析、因子分析、特征选择、特征提取等

功能转换技术降低维数的数据,将数据转换为新特性。特征选择技术是最好的变换变量时是不可能的,例如,当有分类变量的数据。特征选择技术,特别适用于最小二乘拟合,明白了逐步回归。

住编辑任务

降低维数 减少维度使用主成分分析(PCA)在现场编辑器

功能

全部展开

fscchi2 单变量特性排名分类使用卡方测试
fscmrmr 使用最小冗余最大相关性等级特性分类(MRMR)算法
fscnca 特征选择使用社区组件分析分类
fsrftest 单变量特性排名回归使用F测试
fsrmrmr 使用最小冗余最大相关性等级特性回归(MRMR)算法
fsrnca 使用成分分析街区回归特征选择
fsulaplacian 使用拉普拉斯算子的分数等级特性无监督学习
partialDependence 计算部分依赖
plotPartialDependence 创建部分依赖图(PDP)和个人条件期望(ICE)情节
oobPermutedPredictorImportance 预测估计重要性的排列out-of-bag预测观测随机森林分类树
oobPermutedPredictorImportance 预测估计重要性的排列out-of-bag预测观测随机森林回归树
predictorImportance 估计预测重要的分类树
predictorImportance 估计预测决策树分类合奏的重要性
predictorImportance 为回归估计预测重要的树
predictorImportance 为回归估计预测的重要性
relieff 排名使用ReliefF或RReliefF算法预测的重要性
sequentialfs 连续的特征选择使用自定义标准
stepwiselm 进行逐步回归
stepwiseglm 通过逐步回归建立广义线性回归模型
黎加 利用重建ICA特征提取
sparsefilt 特征提取,利用稀疏的过滤
变换 预测转换成提取特征
tsne t-Distributed随机邻居嵌入
巴特 巴特利特的测试
canoncorr 典型相关
主成分分析 主成分分析的原始数据
pcacov 主成分分析在协方差矩阵
pcares 从主成分分析残差
车牌提取 概率主成分分析
factoran 因子分析
rotatefactors 旋转因子载荷
nnmf 非负矩阵分解
cmdscale 经典多维标度
泰姬陵 而距离参考样本
mdscale 模多维标度
pdist 两两之间的距离对观测
squareform 格式的距离矩阵
普罗克汝斯忒斯 普罗克汝斯忒斯分析

对象

全部展开

FeatureSelectionNCAClassification 特征选择分类使用社区成分分析(NCA)
FeatureSelectionNCARegression 特征选择回归使用社区成分分析(NCA)
ReconstructionICA 通过重建ICA特征提取
SparseFiltering 通过稀疏特征提取过滤

主题

特征选择

特征提取

t-SNE多维可视化

  • t-SNE
    t-SNE由非线性高维数据可视化的方法减少两个或三个维度,同时保留原始数据的一些特性。
  • 使用t-SNE高维数据可视化
    这个例子展示了如何t-SNE创建一个有用的高维数据的低维嵌入。
  • tsne设置
    这个例子展示了各种各样的影响tsne设置。
  • t-SNE输出函数
    输出函数描述和t-SNE的示例。

主成分分析和典型相关

因子分析

  • 因子分析
    因子分析是一种多元数据的模型适合估计测量变量的相互依赖少数未被注意的(潜在的)因素。
  • 使用因子分析分析股票价格
    使用因子分析调查公司在同一行业经验是否类似周而复始的股票价格的变化。
  • 进行因子分析考试成绩
    这个例子展示了如何使用统计和机器学习进行因子分析工具箱™。

非负矩阵分解

多维标度

  • 多维标度
    多维标度允许您可视化附近点是如何彼此对许多种类的距离或不同指标和生产数据的表示在一个小数量的维度。
  • 经典多维标度
    使用cmdscale执行古典(公制)多维标度,也称为主坐标分析。
  • 经典多维标度应用于非空间距离
    这个例子展示了如何执行经典多维标度使用cmdscale函数统计和机器学习的工具箱™。
  • 模多维标度
    这个例子展示了如何使用模形式的不同数据可视化多维标度(MDS)。
  • 模和非度量多维标度
    执行模使用多维标度mdscale。

普罗克汝斯忒斯分析