网站建设赋值,做新闻h5网站,汕头网站建设设计价格,百度seo快速排名优化服务1.降维的概述
维数灾难(Curse of Dimensionality):通常是指在涉及到向量的计算的问题中#xff0c;随着维数的增加#xff0c;计算量呈指数倍增长的一种现象。
1.1什么是降维#xff1f;
1.降维(Dimensionality Reduction)是将训练数据中的样本(实例)从高维空间转换到低维…1.降维的概述
维数灾难(Curse of Dimensionality):通常是指在涉及到向量的计算的问题中随着维数的增加计算量呈指数倍增长的一种现象。
1.1什么是降维
1.降维(Dimensionality Reduction)是将训练数据中的样本(实例)从高维空间转换到低维空间。
2.有很多种算法可以完成对原始数据的降维在这些方法中降维是通过对原始数据的线性变换实现的。
1.2为什么要降维
1.高维数据增加了运算的难度维度越高算法的搜索难度。
2.高维使得学习算法的泛化能力变弱降维能够增加数据的可读性利于发掘数据的有意义的结构。
1.3降维的主要作用 减少冗余特征降低数据维度 数据可视化
降维的优点:
通过减少特征的维数数据集存储所需的空间也相应减少减少了特征维数所需的计算训练时间;数据集特征的降维有助于快速可视化数据;通过处理多重共线性消除冗余特征。
降维的缺点:
由于降维可能会丢失一些数据;在主成分分析(PCA)降维技术中有时需要考虑多少主成分是难以确定的往往使用经验法则
2.奇异值分解
奇异值分解(Singular Value Decomposition以下简称SVD)是在机器学习领域广泛应用的算法它不光可以用于降维算法中的特征分解还可以用于推荐系统以及自然语言处理等领域。是很多机器学习算法的基石。
sVD可以将一个矩阵A分解为三个矩阵的乘积: 一个正交矩阵U(orthogonal matrix), 一个对角矩阵(diagonal matrix) Σ \Sigma Σ 一个正交矩阵V的转置
分解的作用线性变换 旋转 拉伸 旋转
SVD分解可以将一个矩阵进行分解对角矩阵对角线上的特征值递减存放而且奇异值的减少特别的快在很多情况下前10%甚至1%的奇异值的和就占了全部的奇异值之和的99%以上的比例。
也就是说对于奇异值它跟我们特征分解中的特征值类似我们也可以用最大的k 个的奇异值和对应的左右奇异向量来近似描述矩阵。
3.主成分分析
主成分分析( Principal Component Analysis,PCA )是一种降维方法通过将一个大的特征集转换成一个较小的特征集这个特征集仍然包含了原始数据中的大部分信息从而降低了原始数据的维数。 减少一个数据集的特征数量自然是以牺牲准确性为代价的但降维的诀窍是用一点准确性换取简单性。因为更小的数据集更容易探索和可视化并且对于机器学习算法来说分析数据会更快、更容易而不需要处理额外的特征。
PCA识别在训练集中占最大方差量的轴。
PCA的算法两种实现方法: (1基于SVD分解协方差矩阵实现PCA算法
PCA 减少n维到lk维· 设有m条n维数据将原始数据按列组成n行m列矩阵X 第一步是均值归一化。我们需要计算出所有特征的均值和标准差然后做Z值化。 第二步是计算协方差矩阵( covariance matrix )) Σ \Sigma Σ其特征向量就是我们要求解的主成分。
(2)基于特征值分解协方差矩阵实现PCA算法
PCA减少n维到k 维: 设有m条n维数据将原始数据按列组成n 行m列矩阵X 第一步是均值归一化。我们需要计算出所有特征的均值和标准差然后做z值化。 第二步是计算协方差矩阵(covariance matrix)2其特征向量就是我们要求解的主成分。特征值分解矩阵 对于矩阵A有一组特征向量v将这组向量进行正交化单位化就能得到一组交单位向量。特征值分解就是将矩阵A 分解为如下式: A P Σ P − 1 {\rm{A P}}\Sigma {P^{^{ - 1}}} APΣP−1 其中Р是矩阵A的特征向量组成的矩阵习则是一个对角阵对角线上的元素就是特征值。
PCA的缺点
PCA追求的是在降维之后能够最大化保持数据的内在信息并通过衡量在投影方向上的数据方差的大小来衡量该方向的重要性。但是这样投影以后对数据的区分作用并不大反而可能使得数据点揉杂在一起无法区分。 这也是PCA存在的最大一个问题这导致使用PCA在很多情况下的分类效果并不好。
4.t-分布领域嵌入算法t-SNE(t-distributedstochastic neighbor embedding)
步骤
数据跟PCA一样在处理之前先做归一化在低维空间中计算数据所有点与某个点的相似度将其在映射在t分布函数的横轴上计算高维度与低纬度的相似度矩阵的差异设计loss function然后用梯度下降来优化它
