Запитання з тегом «dimensionality-reduction»

Налаштування проблеми У мене є точки даних (зображення) високого розміру (4096), які я намагаюся візуалізувати у 2D. З цією метою я використовую t-sne таким чином, як у наведеному нижче прикладі коду Карпаті . Документація scikit-learn рекомендує використовувати PCA, щоб спочатку зменшити розмірність даних: Настійно рекомендується використовувати інший метод зменшення розмірності …

9 pca  dimensionality-reduction  high-dimensional  java  tsne 

Яка різниця між навчанням різноманітності та нелінійним зменшенням розмірності ? Я бачив, як ці два терміни використовуються взаємозамінно. Наприклад: http://www.cs.cornell.edu/~kilian/research/manifold/manifold.html : Навчання в колективі (часто його також називають нелінійним зменшенням розмірності) переслідує мету вбудувати дані, які спочатку лежать у просторі з високим розміром, у просторі з меншими розмірами, зберігаючи характерні …

9 terminology  dimensionality-reduction  manifold-learning 

Я беру фіктивні дані про температуру проти продажів морозива і класифікую їх за допомогою K Means (n ​​кластерів = 2), щоб виділити 2 категорії (повністю манекени). Зараз я роблю аналіз основних компонентів за цими даними, і моя мета - зрозуміти, що я бачу. Я знаю, що мета PCA - зменшити …

9 pca  interpretation  k-means  dimensionality-reduction 

Враховуючи кількість функцій постійними, Barnes-Hut t-SNE має складністьO(nlogn)O(nlog⁡n)O(n\log n), випадкові прогнози та PCA мають складністьO(n)O(n)O(n) робить їх "доступними" для дуже великих наборів даних. З іншого боку, методи, що спираються на багатовимірне масштабування, мають:O(n2)O(n2)O(n^2) складність. Чи існують інші прийоми зменшення розмірів (крім тривіальних, як дивитись на перший kkk колонки, звичайно), складність …

9 pca  dimensionality-reduction  large-data  multidimensional-scaling  tsne 

Мережі автоматичного кодування здаються набагато складнішими, ніж звичайні MLP-мережі класифікатора. Після декількох спроб використання Lasagne все, що я отримую на реконструйованому виході, - це щось, що в кращому випадку нагадує розмите усереднення всіх зображень бази даних MNIST, не залежно від того, що насправді є вхідною цифрою. Я вибрав структуру мереж …

9 machine-learning  neural-networks  dimensionality-reduction  unsupervised-learning  autoencoders 

У машинному навчанні часто передбачається, що набір даних лежить на гладкому низькомірному колекторі (припущення про колектор), але чи є якийсь спосіб довести, що при дотриманні певних умов виконано, то набір даних справді (приблизно) генерується від маломірного гладкого колектора? Наприклад, задана послідовність даних де (скажімо послідовність зображень обличчя під різними кутами) …

9 machine-learning  dimensionality-reduction  manifold-learning 

Я переглянув документ, що базується на застосуванні, в якому сказано, що застосовувати PCA перед застосуванням ICA (використовуючи пакет FastICA). Моє запитання полягає в тому, чи вимагає ICA (fastICA) перший запуск PCA? Цей документ згадував про це ... також стверджується, що попереднє застосування PCA підвищує продуктивність ICA шляхом (1) відкидання невеликих …

9 pca  dimensionality-reduction  pattern-recognition  ica 

Припустимо, у мене є набір даних з 2D точок, і я хочу виявити напрямки всіх локальних максимумів дисперсії в даних, наприклад: PCA не допомагає в цій ситуації, оскільки це ортогональне розкладання, і тому не вдається виявити обидві лінії, які я вказав синім кольором, швидше, його вихід може виглядати як той, …

9 pca  dimensionality-reduction 

Я хочу зробити аналіз основних компонентів (факторний аналіз) на SPSS на основі 22 змінних. Однак деякі мої змінні дуже перекошені (косості, обчислені за SPSS, коливаються в межах 2–80!). Тож ось мої запитання: Чи слід тримати подібні змінні чи можу перетворити змінні на аналіз основних компонентів? Якщо так, то як би …

9 pca  factor-analysis  dimensionality-reduction  skewness 

Я не розумію, чому важливим є зменшення розміру. Яка вигода від отримання деяких даних та зменшення їх виміру?

9 dimensionality-reduction  svd 

Я здійснив як декомпозицію SVD, так і багатовимірне масштабування 6-мірної матриці даних, щоб краще зрозуміти структуру даних. На жаль, усі сингулярні значення мають однаковий порядок, що означає, що розмірність даних дійсно є 6. Однак я хотів би мати можливість інтерпретувати значення сингулярних векторів. Наприклад, перший здається більш-менш рівним у кожному …

9 pca  interpretation  dimensionality-reduction  svd