Запитання з тегом «dimensionality-reduction»

Чи є регресія зі зниженим рангом та регресія головних компонентів лише особливими випадками часткових найменших квадратів? У цьому підручнику (Сторінка 6, "Порівняння цілей") зазначено, що коли ми робимо часткові найменші квадрати, не проектуючи X або Y (тобто "не часткові"), це стає відповідно регресією регресії чи регресією головного компонента. Аналогічне твердження …

16 regression  pca  dimensionality-reduction  partial-least-squares  reduced-rank-regression 

Використовуючи ці дані: head(USArrests) nrow(USArrests) Я можу зробити PCA так: plot(USArrests) otherPCA <- princomp(USArrests) Я можу отримати нові компоненти otherPCA$scores і частка дисперсії, поясненої компонентами з summary(otherPCA) Але що робити, якщо я хочу знати, які змінні в основному пояснюються основними компонентами? І навпаки: пояснюється, наприклад, PC1 або PC2 murder? Як …

15 r  pca  dimensionality-reduction  regression-strategies 

Я намагаюся знайти спосіб зменшення кількості категорій у номінальних чи порядкових даних. Наприклад, скажімо, що я хочу побудувати регресійну модель на наборі даних, яка має ряд номінальних та порядкових факторів. Хоча у мене немає проблем з цим кроком, я часто стикаюся з ситуаціями, коли номінальна функція не має спостережень у …

14 r  categorical-data  dimensionality-reduction  many-categories 

Чи є сенс робити PCA перед проведенням випадкової лісової класифікації? Я маю справу з текстовими даними з високими розмірами, і я хочу зробити зменшення функції, щоб уникнути прокляття розмірності, але чи не випадкові ліси вже мають якесь зменшення розмірності?

14 classification  pca  random-forest  dimensionality-reduction  high-dimensional 

В якості специфічної проблеми, з якою я працюю (конкуренція), у мене є наступне налаштування: 21 функція (числовий на [0,1]) та двійковий вихід. У мене близько 100 К рядків. Налаштування здається дуже галасливим. Я та інші учасники впродовж певного часу застосовуємо генерацію функцій, і вбудована стохастична сусідська вбудована версія t виявилася …

13 machine-learning  dimensionality-reduction  unsupervised-learning  tsne 

У мене є набір даних, що складається з 15K зразків з міткою (з 10 груп). Я хочу застосувати зменшення розмірності на 2 виміри, які б враховували знання етикетки. Коли я використовую "стандартні" методи безконтрольного зменшення розмірності, такі як PCA, графік розсіювання, здається, не має нічого спільного з відомими мітками. Чи …

13 machine-learning  pca  dimensionality-reduction  supervised-learning  discriminant-analysis 

Я знаю, що і вибір функції, і зменшення розмірності спрямовані на зменшення кількості ознак у вихідному наборі функцій. Яка точна різниця між ними, якщо ми робимо те саме в обох?

13 machine-learning  pca  feature-selection  dimensionality-reduction 

Мабуть, Аналіз Фішера спрямований на одночасне максимальне розмежування між класом, мінімізуючи дисперсію всередині класу. Отже, корисна міра потужності дискримінації змінної дана діагональною величиною: .Bii/WiiBii/WiiB_{ii}/W_{ii} http://root.cern.ch/root/htmldoc/TMVA__MethodFisher.html Я розумію , що розмір ( p x p) з С ( Б ) і В-класу ( W ) матриці задається числом вхідних змінних, p. …

13 algorithms  dimensionality-reduction  discriminant-analysis  sums-of-squares 

У мене 3 випробування на 87 тваринах у кожному з 2 контекстів (деякі дані відсутні; відсутні дані = 64 тварини). У контексті, у мене є багато конкретних заходів в (час , щоб увійти, число раз повертаюся в притулок, і т.д.), тому я хочу , щоб розробити 2 до 3 композитної …

13 repeated-measures  pca  dimensionality-reduction 

Я розумію, що основний принцип алгоритму для LLE складається з трьох етапів. Пошук сусідства кожної точки даних за деяким показником, таким як k-nn. Знайдіть ваги для кожного сусіда, який позначає вплив, який має сусід на точку даних. Побудуйте низькомірне вбудовування даних на основі обчислених ваг. Але математичне пояснення кроків 2 …

13 machine-learning  model-selection  feature-selection  dimensionality-reduction  nonlinear 

Які способи вибрати, яке ядро ​​призведе до гарного поділу даних у кінцевому виведенні даних за допомогою PCA ядра (аналіз основних компонентів), і які способи оптимізації параметрів ядра? Якщо можливо, умови Лаймана були б дуже вдячні, і посилання на документи, що пояснюють такі методи, також були б непоганими.

13 pca  cross-validation  dimensionality-reduction  kernel-trick  manifold-learning 

Зараз я намагаюся обернути голову навколо математики t-SNE . На жаль, є ще одне питання, на яке я не можу відповісти задовільно: Яке власне значення осей у графіку t-SNE? Якби я виступив з доповіддю на цю тему або включив її до будь-якої публікації: Як би я належним чином позначив осі? …

12 machine-learning  dimensionality-reduction  tsne 

У мене дуже великий набір даних, і близько 5% випадкових значень відсутні. Ці змінні співвідносяться між собою. Наступний приклад набору даних R - це лише іграшковий приклад з манекено-корельованими даними. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", …

12 r  random-forest  missing-data  data-imputation  multiple-imputation  large-data  definition  moving-window  self-study  categorical-data  econometrics  standard-error  regression-coefficients  normal-distribution  pdf  lognormal  regression  python  scikit-learn  interpolation  r  self-study  poisson-distribution  chi-squared  matlab  matrix  r  modeling  multinomial  mlogit  choice  monte-carlo  indicator-function  r  aic  garch  likelihood  r  regression  repeated-measures  simulation  multilevel-analysis  chi-squared  expected-value  multinomial  yates-correction  classification  regression  self-study  repeated-measures  references  residuals  confidence-interval  bootstrap  normality-assumption  resampling  entropy  cauchy  clustering  k-means  r  clustering  categorical-data  continuous-data  r  hypothesis-testing  nonparametric  probability  bayesian  pdf  distributions  exponential  repeated-measures  random-effects-model  non-independent  regression  error  regression-to-the-mean  correlation  group-differences  post-hoc  neural-networks  r  time-series  t-test  p-value  normalization  probability  moments  mgf  time-series  model  seasonality  r  anova  generalized-linear-model  proportion  percentage  nonparametric  ranks  weighted-regression  variogram  classification  neural-networks  fuzzy  variance  dimensionality-reduction  confidence-interval  proportion  z-test  r  self-study  pdf 

Я хочу об'єднати масивний набір даних, для якого у мене є лише попарні відстані. Я реалізував алгоритм k-medoids, але це займає занадто багато часу, тому я хотів би почати, зменшивши розмір моєї проблеми, застосувавши PCA. Однак єдиним способом, яким я знаю виконати цей метод, є використання матриці коваріації, якої у …

12 pca  dimensionality-reduction  multidimensional-scaling 

У яких ситуаціях слід використовувати t-SNE (крім візуалізації даних)? T-SNE використовується для зменшення розмірності. Відповідь на це запитання говорить про те, що t-SNE слід використовувати лише для візуалізації, і ми не повинні використовувати його для кластеризації. Тоді яке корисне використання для t-SNE?

12 data-visualization  dimensionality-reduction  tsne