WOLFRAM

Wolfram 语言与系统 参考资料中心
Wolfram 语言首页 »

DimensionReduction
✖
DimensionReduction

✖
DimensionReduction[{example1,example2,…}]

生成从 examplei 定义的空间投影到低维近似流形的 DimensionReducerFunction[…].

✖
DimensionReduction[examples,n]

对 n 维近似流形生成 DimensionReducerFunction[…].

✖
DimensionReduction[examples,n,props]

生成维数降低的指定属性.

更多信息和选项

范例

打开所有单元关闭所有单元

基本范例  (3)常见实例总结

从向量列表生成降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-kaykrr
Out[1]=1

将该降维器用于新的向量：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-tv7nk
Out[2]=2

将该降维器用于新向量的列表：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-nr629p
Out[3]=3

用指定目标维度 1 创建降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-3wsyk
In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-b1547u
Out[2]=2

将降维器应用于生成该降维器的向量：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-dyx9c4
Out[3]=3

在一步中同时获得降维器和降维向量：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-hzcxce
Out[4]=4

在混合类型的数据集中培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-epyt9q
Out[1]=1

减少新例子的维数：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-dhjie
Out[2]=2

范围  (7)标准用法实例范围调查

创建并可视化随机三维向量：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-huaxhr
In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-c65cjt
Out[2]=2

根据向量创建降维器：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-cf5jxk
Out[3]=3

对新向量降维：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-gf16jr
Out[4]=4

对原始向量进行降维，并可视化：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-cnxph5
In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-gl4q6
Out[6]=6

试着从降维向量重建原始向量：

In[7]:=7
✖
https://wolfram.com/xid/0g7huc91olu-ess5kq

重建向量对应着投影到近似平面上的原始向量：

In[8]:=8
✖
https://wolfram.com/xid/0g7huc91olu-cumxc3
Out[8]=8

重建向量可以直接从原始向量获得：

In[9]:=9
✖
https://wolfram.com/xid/0g7huc91olu-cj04um
In[10]:=10
✖
https://wolfram.com/xid/0g7huc91olu-p24ty9
Out[10]=10

从向量列表生成降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-dg4x2f
Out[1]=1

使用降维器函数来把缺失值转化为其他向量：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-cb1vm3
In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-dr93ig
Out[3]=3

对图像数据集培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-lkgrsz
Out[1]=1

对培训集使用降维器：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-d7xhgy
Out[2]=2

对文本数据培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-e2vx9p
Out[1]=1

对新例子使用降维器：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-isface
Out[2]=2

对 DateObject 列表培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-dkyi1j
Out[1]=1

减少新的 DateObject 的维数：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-fsqfno
Out[2]=2

也可以给定字符串日期：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-1rcwb
Out[3]=3

对混合类型的数据集培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-b8ggz9
Out[1]=1

减少新例子的维数：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-ik1mpy
Out[2]=2

对关联列表培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-gnxegg
Out[1]=1

减少新例子的维数：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-ge5ah6
Out[2]=2

选项  (7)各选项的常用值和功能

FeatureExtractor  (1)

对由自定义函数和提取器方法预处理过的文本培训降维器函数：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-gzddc8
Out[1]=1
In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-bvkmvg
Out[2]=2

FeatureNames  (1)

培训降维器并对每个变量给定名称：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-ed27ol
Out[1]=1

使用关联格式减少一个新例子的维数：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-bkjm32
Out[2]=2

仍然可以使用列表格式：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-pdacr7
Out[3]=3

FeatureTypes  (1)

对简单的数据集培训降维器：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-gja5hk
Out[1]=1

第一个特征被解释为数值. 使用 FeatureTypes 加强第一个特征解释为标称值：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-c2486r
Out[2]=2
In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-gykd0

Method  (3)

使用 t-SNE 方法对 Fisher 虹膜数据集的特征产生一个降维函数：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-g33xx4
In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-qxhomk
Out[2]=2

把例子按种类分组：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-oyz0v

减少特征的维数：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-i4xtc1

可视化约减后的数据集：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-pppim5
Out[5]=5

使用不同的困惑值执行同样的操作：

In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-cte7kj
Out[6]=6
In[7]:=7
✖
https://wolfram.com/xid/0g7huc91olu-hc3c1y
Out[7]=7

使用自动编码方法降低一些图像的维度：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-cqcmk3

可视化图像的二维表示：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-2ob0kj
Out[2]=2

用随机噪声生成一个非线性数据流型，称之为 Swiss-roll 数据集：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-7bti1r

可视化三维 Swiss-roll 数据集：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-0djua7
Out[2]=2

使用等距映射 (isomap) 方法培训约简函数：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-7nkc10
Out[3]=3

可视化约简数据集的二维嵌入：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-enwdqw
Out[4]=4

使用局部线性嵌入 (LLE) 方法培训约简函数：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-lva4bs
Out[5]=5

可视化约简数据集的二维嵌入：

In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-bh8os5
Out[6]=6

TargetDevice  (1)

使用在系统默认 GPU 上的完全连接的 "AutoEncoder" 培训约简函数并查看 AbsoluteTiming：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-nni7sq

比较值钱的时间和使用默认 CPU 计算获得的时间：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-x7frfj

应用  (5)用该函数可以解决的问题范例

数据集可视化  (1)

从 ExampleData 加载费雪鸢尾花卉数据集：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-cegyu9
In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-y1p1r
Out[2]=2
In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-e8vs7s
Out[3]=3

生成具有各个范例特征的降维函数：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-ck3kn0
Out[4]=4

根据属种对范例分组：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-czdjx

缩减特征维度：

In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-bxoooj

可视化降维数据集：

In[7]:=7
✖
https://wolfram.com/xid/0g7huc91olu-ck8dgi
Out[7]=7

头部姿势估计  (1)

加载三维几何数据：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-w5fdv9
Out[1]=1

产生一个带有随机视点的许多头的数据集，因而创建不同的头姿势：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-vt62ci

可视化不同的头姿势：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-4qtsfe
Out[3]=3

使用 LLE 方法对不同姿势的图像数据集产生约简函数：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-g2w0io

从 50×50 输入空间看可视化图像的二维表示，两条轴表示上下和前端的姿势：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-4bpmxs
Out[5]=5

图像插补  (1)

从 ExampleData 加载 MNIST 数据集，并保留图像：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-fpy5rn
In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-b9zac2
Out[2]=2

将图像转换为数值数据，并将数据集分为训练集和测试集：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-lwqeek
In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-ky4io

数据集的维度是 784：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-02xzf
Out[5]=5

从训练集创建目标维度为 50 的降维器：

In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-cudvv9
Out[6]=6

对测试集的向量降维：

In[7]:=7
✖
https://wolfram.com/xid/0g7huc91olu-ie8nma
In[8]:=8
✖
https://wolfram.com/xid/0g7huc91olu-d15eit
Out[8]=8

可视化原始向量及其重建版本：

In[9]:=9
✖
https://wolfram.com/xid/0g7huc91olu-kq3dc
In[10]:=10
✖
https://wolfram.com/xid/0g7huc91olu-dw12ef
Out[10]=10

用 Missing[] 替换向量的某些值，并可视化：

In[11]:=11
✖
https://wolfram.com/xid/0g7huc91olu-c9gyzb
Out[11]=11

用降维函数对缺失值进行插补：

In[12]:=12
✖
https://wolfram.com/xid/0g7huc91olu-bh1mpm
Out[12]=12

可视化原始图像、具有缺失值的图像和插补后的图像：

In[13]:=13
✖
https://wolfram.com/xid/0g7huc91olu-klbpl5
Out[13]=13

推荐系统  (1)

得到 SparseArray 形式的用户影评：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-d2s83h
Out[1]=1

数据集由 100 个用户和 10 部影片组成. 评分范围从 1 到 5，并用 Missing[] 表示未知评分：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-gg3m17

将数据集分为训练集和测试集：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-dhgf93

从训练集生成降维器：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-d9ccbp
Out[4]=4

使用降维器对新用户的缺失值进行插补（即预测）：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-e1hix6
Out[5]=5
In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-kq4tg5
Out[6]=6

图像搜索  (1)

构建狗图像的数据集：

In[1]:=1
✖
https://wolfram.com/xid/0g7huc91olu-eoy3bo

根据该数据集培训降维器：

In[2]:=2
✖
https://wolfram.com/xid/0g7huc91olu-ilbcgu
Out[2]=2

在降维空间产生一个 NearestFunction：

In[3]:=3
✖
https://wolfram.com/xid/0g7huc91olu-fd8vm9
Out[3]=3

使用 NearestFunction，构建显示数据集最近图像的函数：

In[4]:=4
✖
https://wolfram.com/xid/0g7huc91olu-pz7n2o
Out[4]=4

对于不在数据集中的图像使用该函数：

In[5]:=5
✖
https://wolfram.com/xid/0g7huc91olu-raz7u
Out[5]=5
In[6]:=6
✖
https://wolfram.com/xid/0g7huc91olu-d1zvqk
Out[6]=6
In[7]:=7
✖
https://wolfram.com/xid/0g7huc91olu-id8awy
Out[7]=7

该降维函数也可用于删除类似的图像对：

In[8]:=8
✖
https://wolfram.com/xid/0g7huc91olu-cgblc7
In[9]:=9
✖
https://wolfram.com/xid/0g7huc91olu-bzg25l
Out[9]=9
Wolfram Research (2015)，DimensionReduction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/DimensionReduction.html （更新于 2020 年）.
✖
Wolfram Research (2015)，DimensionReduction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/DimensionReduction.html （更新于 2020 年）.

文本

Wolfram Research (2015)，DimensionReduction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/DimensionReduction.html （更新于 2020 年）.

✖
Wolfram Research (2015)，DimensionReduction，Wolfram 语言函数，https://reference.wolfram.com/language/ref/DimensionReduction.html （更新于 2020 年）.

CMS

Wolfram 语言. 2015. "DimensionReduction." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2020. https://reference.wolfram.com/language/ref/DimensionReduction.html.

✖
Wolfram 语言. 2015. "DimensionReduction." Wolfram 语言与系统参考资料中心. Wolfram Research. 最新版本 2020. https://reference.wolfram.com/language/ref/DimensionReduction.html.

APA

Wolfram 语言. (2015). DimensionReduction. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/DimensionReduction.html 年

✖
Wolfram 语言. (2015). DimensionReduction. Wolfram 语言与系统参考资料中心. 追溯自 https://reference.wolfram.com/language/ref/DimensionReduction.html 年

BibTeX

@misc{reference.wolfram_2025_dimensionreduction, author="Wolfram Research", title="{DimensionReduction}", year="2020", howpublished="\url{https://reference.wolfram.com/language/ref/DimensionReduction.html}", note=[Accessed: 04-April-2025 ]}

✖
@misc{reference.wolfram_2025_dimensionreduction, author="Wolfram Research", title="{DimensionReduction}", year="2020", howpublished="\url{https://reference.wolfram.com/language/ref/DimensionReduction.html}", note=[Accessed: 04-April-2025 ]}

BibLaTeX

@online{reference.wolfram_2025_dimensionreduction, organization={Wolfram Research}, title={DimensionReduction}, year={2020}, url={https://reference.wolfram.com/language/ref/DimensionReduction.html}, note=[Accessed: 04-April-2025 ]}

✖
@online{reference.wolfram_2025_dimensionreduction, organization={Wolfram Research}, title={DimensionReduction}, year={2020}, url={https://reference.wolfram.com/language/ref/DimensionReduction.html}, note=[Accessed: 04-April-2025 ]}