"Hadamard" （机器学习方法）

详细信息和子选项

  • "Hadamard" 是一种不从数据中学习的线性降维方法. 该方法使用 HadamardMatrix 的切片将输入数据投影到低维空间. 此方法尝试近似随机投影.
  • "Hadamard" 对于具有大量特征的数据集而言计算效率高； 然而，由于没有学习，嵌入将不如其他方法好.
  • 下面显示了应用于基准数据集 Fisher's Irises、MNIST 和 FashionMNIST 的 "Hadamard" 方法所学习的二维嵌入：
  • "Hadamard" 方法几乎保留了高维数据的成对距离，与随机投影类似.
  • 应该使用 DimensionReduce[…,Method"Hadamard", FeatureExtractor"Minimal"] 来充分利用这种方法的计算效率.
  • 子选项 Method 可用于设置矩阵运算的类型. Method"Matrix" 应该仅用于具有少量输入和简化特征的数据集.
  • 可以给出以下子选项：
  • Method Automatic矩阵计算方法
  • Method 的可能设置包括：
  • "Matrix"显式构造阿达马矩阵
    "Transform"使用直接变换来简化

范例

打开所有单元关闭所有单元

基本范例  (1)

使用 "Hadamard" 方法有效地降低高维向量的维数：

选项  (1)

Method  (1)

比较 "Hadamard" 在高维向量上具有不同子选项的性能：

应用  (1)

数据集可视化  (1)

从 ExampleData 加载 Fisher Iris 数据集：

使用 "Hadamard" 生成具有每个示例特征的降维函数：

按物种对示例进行分组：

降低特征的维度：