fsulaplaciangydF4y2Ba
使用拉普拉斯分数对无监督学习的特征进行排名gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
对特征(变量)进行排序gydF4y2BaidxgydF4y2Ba
= fsulaplacian (gydF4y2BaXgydF4y2Ba
)gydF4y2BaXgydF4y2Ba
使用gydF4y2Ba拉普拉斯算子的分数gydF4y2Ba.函数返回gydF4y2BaidxgydF4y2Ba
,其中包含按特征重要性排序的特征指标。你可以用gydF4y2BaidxgydF4y2Ba
选择非监督学习的重要特征。gydF4y2Ba
使用一个或多个名称-值对参数指定其他选项。例如,您可以指定gydF4y2BaidxgydF4y2Ba
= fsulaplacian (gydF4y2BaXgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba“NumNeighbors”,10gydF4y2Ba
要创建一个gydF4y2Ba相似度图gydF4y2Ba使用10个最近的邻居。gydF4y2Ba
[gydF4y2Ba
也返回功能评分gydF4y2BaidxgydF4y2Ba
,gydF4y2Ba分数gydF4y2Ba
[中文]gydF4y2Ba___gydF4y2Ba)gydF4y2Ba分数gydF4y2Ba
,使用前面语法中的任何输入参数组合。评分值越大,说明对应的特征很重要。gydF4y2Ba
例子gydF4y2Ba
按重要性排序特征gydF4y2Ba
加载样例数据。gydF4y2Ba
负载gydF4y2Ba电离层gydF4y2Ba
根据重要性对功能进行排序。gydF4y2Ba
[idx,scores] = fsulaplacian(X);gydF4y2Ba
创建一个特征重要性分数的条形图。gydF4y2Ba
栏(分数(idx))包含(gydF4y2Ba“功能等级”gydF4y2Ba) ylabel (gydF4y2Ba“特征重要性评分”gydF4y2Ba)gydF4y2Ba
选择最重要的5个功能。找到这些特征的列gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
idx (1:5)gydF4y2Ba
ans =gydF4y2Ba1×5gydF4y2Ba15 13 17 21 19gydF4y2Ba
第15列gydF4y2BaXgydF4y2Ba
是最重要的特征。gydF4y2Ba
使用指定的相似度矩阵排列特征gydF4y2Ba
从Fisher的虹膜数据集中计算一个相似矩阵,并使用相似矩阵对特征进行排序。gydF4y2Ba
载入费雪的虹膜数据集。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2Ba
求每对观测点之间的距离gydF4y2Ba量gydF4y2Ba
通过使用gydF4y2BapdistgydF4y2Ba
而且gydF4y2BasquareformgydF4y2Ba
函数使用默认的欧氏距离度量。gydF4y2Ba
D = pdist(meas);Z = squareform(D);gydF4y2Ba
构造相似矩阵,并确认其对称。gydF4y2Ba
S = exp(-Z.^2);issymmetric (S)gydF4y2Ba
ans =gydF4y2Ba逻辑gydF4y2Ba1gydF4y2Ba
对特征进行排序。gydF4y2Ba
Idx = fsulaplacian(meas,gydF4y2Ba“相似”gydF4y2Ba,年代)gydF4y2Ba
idx =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba
使用相似度矩阵进行排序gydF4y2Ba年代gydF4y2Ba
是否与指定排序相同gydF4y2Ba“NumNeighbors”gydF4y2Ba
作为gydF4y2Ba尺寸(量,1)gydF4y2Ba
.gydF4y2Ba
Idx2 = fsulaplacian(meas,gydF4y2Ba“NumNeighbors”gydF4y2Ba、尺寸(量,1))gydF4y2Ba
idx2 =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba
输入参数gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba输入数据gydF4y2Ba
数字矩阵gydF4y2Ba
输入数据,指定为gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵。一排排的gydF4y2BaXgydF4y2Ba
对应观察(或点),列对应特征。gydF4y2Ba
软件处理gydF4y2Ba南gydF4y2Ba
年代gydF4y2BaXgydF4y2Ba
的任何行gydF4y2BaXgydF4y2Ba
至少包含一个gydF4y2Ba南gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba的名字gydF4y2Ba
参数名称和gydF4y2Ba价值gydF4y2Ba
对应的值。名-值参数必须出现在其他参数之后,但对的顺序并不重要。gydF4y2Ba
在R2021a之前,名称和值之间用逗号隔开,并括起来gydF4y2Ba的名字gydF4y2Ba
在报价。gydF4y2Ba
例子:gydF4y2Ba“NumNeighbors”10“KernelScale”、“汽车”gydF4y2Ba
指定最近的邻居数为10,内核比例因子为gydF4y2Ba“汽车”gydF4y2Ba
.gydF4y2Ba
相似gydF4y2Ba
- - - - - -gydF4y2Ba相似度矩阵gydF4y2Ba
[]gydF4y2Ba
(空矩阵)gydF4y2Ba(默认)|gydF4y2Ba对称矩阵gydF4y2Ba
相似矩阵,指定为逗号分隔的对,由gydF4y2Ba“相似”gydF4y2Ba
和一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba对称矩阵,其中gydF4y2BangydF4y2Ba是观察数。相似矩阵(或邻接矩阵)通过建模数据点之间的局部邻域关系来表示输入数据。相似度矩阵中的值表示节点(数据点)之间的边(或连接)gydF4y2Ba相似度图gydF4y2Ba.有关更多信息,请参见gydF4y2Ba相似度矩阵gydF4y2Ba.gydF4y2Ba
如果指定gydF4y2Ba“相似”gydF4y2Ba
值,则不能指定任何其他名称-值对参数。如果不指定gydF4y2Ba“相似”gydF4y2Ba
值,然后该软件使用由其他名称-值对参数指定的选项计算相似度矩阵。gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
距离gydF4y2Ba
- - - - - -gydF4y2Ba距离度量gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba字符串标量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba
距离度量,指定为逗号分隔的对,由gydF4y2Ba“距离”gydF4y2Ba
和字符向量、字符串标量或函数句柄,如本表所述。gydF4y2Ba
价值gydF4y2Ba | 描述gydF4y2Ba |
---|---|
“欧几里得”gydF4y2Ba |
欧氏距离(默认)gydF4y2Ba |
“seuclidean”gydF4y2Ba |
标准化欧氏距离。观测值之间的每一个坐标差都通过除以相应的标准偏差元素来缩放gydF4y2Ba |
“mahalanobis”gydF4y2Ba |
的样本协方差的马氏距离gydF4y2Ba |
“cityblock”gydF4y2Ba |
城市街区距离gydF4y2Ba |
闵可夫斯基的gydF4y2Ba |
闵可夫斯基距离。缺省指数为2。使用gydF4y2Ba |
“chebychev”gydF4y2Ba |
切比切夫距离(最大坐标差)gydF4y2Ba |
的余弦gydF4y2Ba |
1减去观测值之间夹角的余弦(作为向量处理)gydF4y2Ba |
“相关”gydF4y2Ba |
1减去观察值之间的样本相关性(作为值序列处理)gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明距离,也就是不同坐标的百分比gydF4y2Ba |
“jaccard”gydF4y2Ba |
1减去雅卡德系数,也就是非零坐标的百分比gydF4y2Ba |
“枪兵”gydF4y2Ba |
1减去观察值之间的样本斯皮尔曼秩相关性(作为值序列处理)gydF4y2Ba |
@gydF4y2Ba |
自定义距离函数手柄。距离函数有这样的形式gydF4y2Ba 函数gydF4y2BaD2 = distfun(ZI,ZJ)gydF4y2Ba距离百分比计算gydF4y2Ba...gydF4y2Ba
如果您的数据不是稀疏的,您通常可以通过使用内置的距离而不是函数句柄来更快地计算距离。gydF4y2Ba |
有关更多信息,请参见gydF4y2Ba距离度量gydF4y2Ba.gydF4y2Ba
当您使用gydF4y2Ba“seuclidean”gydF4y2Ba
,gydF4y2Ba闵可夫斯基的gydF4y2Ba
,或gydF4y2Ba“mahalanobis”gydF4y2Ba
距离度量,您可以指定附加的名称-值对参数gydF4y2Ba“规模”gydF4y2Ba
,gydF4y2Ba“P”gydF4y2Ba
,或gydF4y2Ba“浸”gydF4y2Ba
,分别控制距离度量。gydF4y2Ba
例子:gydF4y2Ba“距离”、“闵可夫斯基”,“P”3gydF4y2Ba
指定使用带有指数的闵可夫斯基距离度量gydF4y2Ba3.gydF4y2Ba
.gydF4y2Ba
PgydF4y2Ba
- - - - - -gydF4y2Ba闵可夫斯基距离度量的指数gydF4y2Ba
2gydF4y2Ba
(默认)|gydF4y2Ba积极的标量gydF4y2Ba
闵可夫斯基距离度量的指数,指定为逗号分隔的对,由gydF4y2Ba“P”gydF4y2Ba
一个正的标量。gydF4y2Ba
这个论点只有在gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba闵可夫斯基的gydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“P”3gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
浸gydF4y2Ba
- - - - - -gydF4y2Ba马氏距离度量的协方差矩阵gydF4y2Ba
X (X, omitrows)gydF4y2Ba
(默认)|gydF4y2Ba正定矩阵gydF4y2Ba
马氏距离度量的协方差矩阵,指定为逗号分隔的对,由gydF4y2Ba“浸”gydF4y2Ba
一个正定矩阵。gydF4y2Ba
这个论点只有在gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba“mahalanobis”gydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“浸”,眼睛(4)gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
规模gydF4y2Ba
- - - - - -gydF4y2Ba标准化欧氏距离度规的比例因子gydF4y2Ba
性病(X, omitnan)gydF4y2Ba
(默认)|gydF4y2Ba非负值的数值向量gydF4y2Ba
标准欧几里得距离度规的比例因子,指定为逗号分隔的对,由gydF4y2Ba“规模”gydF4y2Ba
和非负值的数值向量。gydF4y2Ba
规模gydF4y2Ba
长度gydF4y2BapgydF4y2Ba的列数gydF4y2BaXgydF4y2Ba
),因为每个维度(列)的gydF4y2BaXgydF4y2Ba
是否有相应的值gydF4y2Ba规模gydF4y2Ba
.的每个维度gydF4y2BaXgydF4y2Ba
,gydF4y2BafsulaplaciangydF4y2Ba
中的对应值gydF4y2Ba规模gydF4y2Ba
标准化观察结果之间的差异。gydF4y2Ba
这个论点只有在gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba“seuclidean”gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
NumNeighborsgydF4y2Ba
- - - - - -gydF4y2Ba最近邻居数gydF4y2Ba
日志(大小(X, 1))gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba
用于构造相似图的最近邻数,指定为逗号分隔的对,由gydF4y2Ba“NumNeighbors”gydF4y2Ba
一个正整数。gydF4y2Ba
例子:gydF4y2Ba“NumNeighbors”,10gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
KernelScalegydF4y2Ba
- - - - - -gydF4y2Ba比例因子gydF4y2Ba
1gydF4y2Ba
(默认)|gydF4y2Ba“汽车”gydF4y2Ba
|gydF4y2Ba积极的标量gydF4y2Ba
内核的比例因子,指定为逗号分隔的对,由gydF4y2Ba“KernelScale”gydF4y2Ba
而且gydF4y2Ba“汽车”gydF4y2Ba
或者一个正的标量。该软件使用比例因子将距离转换为相似性度量。有关更多信息,请参见gydF4y2Ba相似度图gydF4y2Ba.gydF4y2Ba
的gydF4y2Ba
“汽车”gydF4y2Ba
选项仅支持万博1manbetxgydF4y2Ba“欧几里得”gydF4y2Ba
而且gydF4y2Ba“seuclidean”gydF4y2Ba
距离度量。gydF4y2Ba如果你指定gydF4y2Ba
“汽车”gydF4y2Ba
,然后软件采用启发式程序选择一个合适的比例因子。这种启发式过程使用子抽样,因此每次调用的估计值可能不同。若要再现结果,请使用设置随机数种子gydF4y2BarnggydF4y2Ba
在调用之前gydF4y2BafsulaplaciangydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“KernelScale”、“汽车”gydF4y2Ba
输出参数gydF4y2Ba
idxgydF4y2Ba
—按特征重要性排序的特征指数gydF4y2Ba
数值向量gydF4y2Ba
中特征的索引gydF4y2BaXgydF4y2Ba
按特征重要性排序,作为数字向量返回。例如,如果gydF4y2Baidx (3)gydF4y2Ba
是gydF4y2Ba5gydF4y2Ba
,那么第三个最重要的特征是第五列gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
分数gydF4y2Ba
-功能评分gydF4y2Ba
数值向量gydF4y2Ba
特性分数,作为数字向量返回。大的分数值gydF4y2Ba分数gydF4y2Ba
表示相应的特征是重要的。中的值gydF4y2Ba分数gydF4y2Ba
与图中特征的顺序相同gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
更多关于gydF4y2Ba
相似度图gydF4y2Ba
相似图模拟了数据点之间的局部邻域关系gydF4y2BaXgydF4y2Ba
作为无向图。图中的节点表示数据点,无方向的边表示数据点之间的连接。gydF4y2Ba
如果成对距离gydF4y2Ba经销gydF4y2Ba我,我gydF4y2Ba在任意两个节点之间gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba是正的(或大于某个阈值),那么相似性图使用一条边连接两个节点gydF4y2Ba[2]gydF4y2Ba.两个节点之间的边缘由两两相似度加权gydF4y2Ba年代gydF4y2Ba我,我gydF4y2Ba,在那里gydF4y2Ba ,对于指定的内核规模gydF4y2BaσgydF4y2Ba价值。gydF4y2Ba
fsulaplaciangydF4y2Ba
使用最近邻方法构造一个相似图。函数连接点gydF4y2BaXgydF4y2Ba
它们是最近的邻居。使用gydF4y2Ba“NumNeighbors”gydF4y2Ba
指定最近邻居的数量。gydF4y2Ba
相似度矩阵gydF4y2Ba
相似矩阵是A的矩阵表示gydF4y2Ba相似度图gydF4y2Ba.的gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba矩阵gydF4y2Ba 包含相似图中连接节点之间的成对相似值。图的相似矩阵也称为邻接矩阵。gydF4y2Ba
由于相似图的边缘是无方向的,所以相似矩阵是对称的。的值gydF4y2Ba年代gydF4y2Ba我,我gydF4y2Ba= 0gydF4y2Ba
意味着节点gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba的相似性图是没有联系的。gydF4y2Ba
度矩阵gydF4y2Ba
一个度矩阵gydF4y2BaDgydF4y2BaggydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba的行相加得到的对角矩阵gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba.也就是说,gydF4y2Ba我gydF4y2Ba的第对角元素gydF4y2BaDgydF4y2BaggydF4y2Ba是gydF4y2Ba
拉普拉斯算子的矩阵gydF4y2Ba
拉普拉斯矩阵,是表示A的一种方法gydF4y2Ba相似度图gydF4y2Ba,定义为gydF4y2Ba度矩阵gydF4y2BaDgydF4y2BaggydF4y2Ba和gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba.gydF4y2Ba
算法gydF4y2Ba
拉普拉斯算子的分数gydF4y2Ba
的gydF4y2BafsulaplaciangydF4y2Ba
函数使用拉普拉斯评分对特征进行排序gydF4y2Ba[1]gydF4y2Ba从最近的邻居处获得的gydF4y2Ba相似度图gydF4y2Ba.gydF4y2Ba
fsulaplaciangydF4y2Ba
中的值gydF4y2Ba分数gydF4y2Ba
如下:gydF4y2Ba
中的每个数据点gydF4y2Ba
XgydF4y2Ba
,使用最近邻方法定义局部邻域,并求出成对距离gydF4y2Ba 对于所有点gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba在附近。gydF4y2Ba把距离转换成gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba使用核变换gydF4y2Ba ,在那里gydF4y2BaσgydF4y2Ba内核的比例因子是否由gydF4y2Ba
“KernelScale”gydF4y2Ba
名称-值对参数。gydF4y2Ba通过去除每个特征的均值来居中。gydF4y2Ba
在哪里gydF4y2BaxgydF4y2BargydF4y2Ba是gydF4y2BargydF4y2Bath特性,gydF4y2BaDgydF4y2BaggydF4y2Ba是gydF4y2Ba度矩阵gydF4y2Ba,gydF4y2Ba .gydF4y2Ba
计算分数gydF4y2Ba年代gydF4y2BargydF4y2Ba对于每个特性。gydF4y2Ba
请注意,gydF4y2Ba[1]gydF4y2Ba定义拉普拉斯分数为gydF4y2Ba
在哪里gydF4y2BalgydF4y2Ba是gydF4y2Ba拉普拉斯算子的矩阵gydF4y2Ba,定义为之间的差gydF4y2BaDgydF4y2BaggydF4y2Ba而且gydF4y2Ba年代gydF4y2Ba.的gydF4y2BafsulaplaciangydF4y2Ba
函数只使用这个方程的第二项作为的分值gydF4y2Ba分数gydF4y2Ba
所以一个大的分数值表示一个重要的特征。gydF4y2Ba
使用拉普拉斯评分选择特征与最小化值一致gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba红外gydF4y2Ba代表了gydF4y2Ba我gydF4y2Ba观察到的gydF4y2BargydF4y2Bath特性。最小化该值意味着算法偏爱方差较大的特征。此外,该算法假设一个重要特征的两个数据点是接近的,当且仅当相似图的两个数据点之间有边。gydF4y2Ba
参考文献gydF4y2Ba
[1] He, X., D. Cai, P. Niyogi。"拉普拉斯特征选择评分"gydF4y2Ba少量的程序。gydF4y2Ba2005.gydF4y2Ba
[2] Von Luxburg, U. <光谱聚类教程>gydF4y2Ba统计与计算杂志gydF4y2Ba.2007年第17卷第4期,第395-416页。gydF4y2Ba
版本历史gydF4y2Ba
Abrir比如gydF4y2Ba
Tiene una versión modificada de este ejemplo。¿Desea abrir este ejemplo con sus modificaciones?gydF4y2Ba
Comando de MATLABgydF4y2Ba
Ha hecho clic en unenlace que对应一个este comando de MATLAB:gydF4y2Ba
Ejecute el comando introduciéndolo en la ventana de comandos de MATLAB。Los navegadores web no admit comandos de MATLAB。gydF4y2Ba
选择一个网站gydF4y2Ba
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您的地理位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
您也可以从以下列表中选择网站:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba