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
对象
主题
特征选择
- 介绍了特征选择
学习特征选择算法和探索功能用于特征选择。 - 连续的特征选择
这个话题介绍顺序顺序特征选择和提供了一个示例,选择特性和使用自定义标准sequentialfs
函数。 - 社区成分分析(NCA)特征选择
社区成分分析(NCA)是一种非参数方法选择功能最大化的目标回归和分类算法的预测精度。
- 规范判别分析分类器
做一个更健壮和简单的模型通过消除预测模型的预测能力的前提下。 - 选择随机森林预测因子
选择split-predictors随机森林算法使用交互测试。
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
- 主成分分析(PCA)
主成分分析降低维数的数据代替一些相关变量与一组新的变量原始变量的线性组合。 - 使用PCA分析美国城市的生活质量
执行加权主成分分析和解释结果。
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™。
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
- 普罗克汝斯忒斯比较手写的形状使用分析
普罗克汝斯忒斯使用分析来比较两个手写的数字。