이번역페이지는최신내용을담고있지않습니다。최신내용을문으로보려면여기를클릭하십시오。
차원축소및특징추출
Pca，驻点분석，특징선택，특징추출등
특징 변환기법은데이터를새특징으로변환하여데이터의차원수를줄입니다。데이터에分类형변수가있는경우와같이변수변환이가능하지않은경우특징 선택기법이더적합합니다。특정적으로최소제곱피팅에적합한특징선택기법에대한자세한내용은단계적회귀항목을참조하십시오。
함수
객체
도움말항목
특징 선택
- 特征选择介绍
了解特征选择算法，并探索用于特征选择的函数。 - 顺序特征选择
本主题介绍顺序特征选择，并提供一个使用自定义标准和顺序选择特征的示例sequentialfs函数。 - 邻域成分分析(NCA)特征选择
邻域分量分析(NCA)是一种非参数特征选择方法，其目标是使回归和分类算法的预测精度最大化。
- 正则化判别分析分类器
通过在不影响模型预测能力的情况下删除预测因子，使模型更健壮、更简单。 - 选择随机森林的预测器
利用交互测试算法选择随机森林的分裂预测器。
t-SNE다차원시각화
- t-SNE
t-SNE是一种将高维数据进行非线性化简到二维或三维，同时保留原始数据的某些特征的可视化方法。 - 使用t-SNE可视化高维数据
这个例子展示了t-SNE如何创建高维数据的低维嵌入。 - tsne设置
这个例子展示了各种工具的效果tsne设置。 - t-SNE输出函数
t-SNE输出功能说明及示例。
Pca와정준상관
- 주성분분석(pca)
주성분분석은상관관계가있는여러변수를원래변수의일차결합인새로운변수의집합으로교체하여데이터의차원수를줄입니다。 - 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。
분석
- 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，以估计被测变量对较少数量的未观察(潜在)因素的相互依赖性。 - 用因子分析分析股票价格
使用因素分析来调查同一行业的公司股价是否经历了类似的周与周的变化。 - 对考试成绩进行因素分析
这个例子展示了如何使用统计和机器学习工具箱™执行因素分析。
다차원스케일링
- 多维标度
多维缩放允许您可视化点之间的距离有多近，对于许多种距离或不相似度指标，并可以在少量维度中生成数据的表示。 - 经典多维尺度
使用cmdscale执行经典(度量)多维标度，也称为主坐标分析。 - 经典多维尺度在非空间距离中的应用
方法执行经典的多维缩放cmdscale统计和机器学习工具箱™中的功能。 - 非经典多维尺度
这个例子展示了如何使用非经典形式的多维尺度(MDS)可视化不同的数据。 - 非经典和非度量多维尺度
执行非经典多维缩放mdscale．
프로크루스테스분석
- 使用Procrustes分析比较手写形状
使用Procrustes分析比较两个手写数字。
추천 예제
您也可以从以下列表中选择网站: