"Linear" （机器学习方法）

Details & Suboptions

  • "Linear" 是一种线性降维方法. 该方法通过线性映射学习数据的低维表示.
  • "Linear" 适用于具有大量特征、大量示例和可能许多缺失值的数据集（因此可用于协同过滤）；但它可能不适用于具有非线性流形的数据集.
  • 以下图表显示了将 "Linear" 方法应用于基准数据集 Fisher's Irises、MNIST 和 FashionMNIST的结果：
  • 根据数据的不同，"Linear" 方法要么首先标准化数据（实际上变成了 "PrincipalComponentsAnalysis" 方法），要么保持数据原样（实际上变成了 "LatentSemanticAnalysis" 方法）.
  • 学习到的参数是一个大小为 的矩阵，其中 和 分别是数据的原始维度和最终维度. 降维是通过矩阵乘法完成的.
  • 参数是通过最小化训练数据的重构误差（均方误差）来确定的.
  • 在内部，使用了奇异值分解、交替最小二乘法和幂迭代等程序.

范例

打开所有单元关闭所有单元

基本范例  (1)

使用 "Linear" 方法从向量列表中训练线性降维模型：

在新向量上使用训练好的降维器：

范围  (1)

数据集可视化  (1)

从 ExampleData 加载 Fisher Iris 数据集：

使用 "Linear" 方法根据每个示例的特征生成降维函数：

根据物种对示例进行分组：

降低特征的维度：

可视化降维后的数据集：