"PrincipalComponentsAnalysis" （机器学习方法）

Details & Suboptions

  • "PrincipalComponentsAnalysis" 是一种线性降维方法. 该方法将输入数据投影到线性低维空间中，以保留数据中的最大方差.
  • "PrincipalComponentsAnalysis" 方法适用于具有大量特征和大量示例的数据集；然而，学习到的流形只能是线性的.
  • 以下图表展示了将 "PrincipalComponentsAnalysis" 方法应用于 Fisher's Irises、MNIST 和 FashionMNIST 等基准数据集的结果：
  • 对于标准化数据，"PrincipalComponentsAnalysis" 等价于 "Linear" 和 "LatentSemanticAnalysis" 方法.

范例

打开所有单元关闭所有单元

基本范例  (1)

使用 "PrincipalComponentsAnalysis" 方法从向量列表中训练线性降维：

对新向量使用经过训练的降维器：

范围  (1)

数据集可视化  (1)

从 ExampleData 加载 Fisher Iris 数据集：

使用 "PrincipalComponentsAnalysis" 根据每个示例的特征生成一个降维函数：

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：