搜索资源列表
xyle
- 拉普拉斯降维方法，是非线性数据降维方法，通过构建相似关系图来重构数据局部流形结构特征。-Laplace dimension reduction method is non-linear data dimensionality reduction method, by constructing a graph similar to reconstruct the structure of local manifoldof the data.
CodeGPCAPDASpectral
- 广义主成分聚类，用于高维数据降维聚类分析，比主成分分析更好一点-Generalized principal component clustering analysis is used to reduce the dimension of high-dimensional data, which is better than the principal component analysis.
PCA-AND-PNN
- 应用主成分分析对数据降维，将得到的数据用于概率神经网络训练，进行模式识别。对于一组新数据，先计算主成分得分，再输入训练好的概率神经网络，就会得到识别结果，即改组数据属于何种类别。-Principal component analysis of the data reduction, data will be obtained for the probabilistic neural network training, pattern recognition. For a new set of d
PAC--Datamining
- PCA降维算法应用大数据挖掘中，在大数据环境下实现数据的降维，可按需要自行修改代码-PCA dimensionality reduction algorithm in data mining, in the big data environment for data dimension reduction, according to need to modify the code itself
mani
- 此代码是关于流形学习，数据降维，代码中含有的主要方法是PCA，KPCA，MDS，KMDS，Laplacian等等，且代码作了可视化处理，界面效果完美-This code is on the manifold learning, data dimensionality reduction, the main method code is contained in PCA, KPCA, MDS, KMDS, Laplacian, etc., and the code visualization ma
dimensionality-reduction-and-k-means
- 1.使用k-svd对数据进行稀疏表示，降维 2.使用k-means对上述数据聚类-1.use k-svd to reduce the dimensions of data 2.clster the data by k-means
LDA
- LDA是监督式的降维算法，输入时需要为每一个数据打上标签信息。最多可以降到n-1维（n为数据点个数）-LDA Algorithm is used to realize dimensionality reduction. It can be used in the amount of projects such as face recognition.
NJU-SSDR
- 半监督判别分析（SSDR），是南京大学数据挖掘研究所提出的一种新的半监督降维算法，对于数据挖掘和类别样本的获取有着十分重要的借鉴价值。-A semi-supervised discriminant analysis (SSDR), is one of the types of data mining research institute of nanjing university puts forward new a semi-supervised dimensionality reductio
lwpr
- LWPR 局部加权投影回归算法，是一种高效的数据降维方法，也能用于预测方法研究。 -LWPR is an effective dimensionality reduction approach. It can be used for prediction.
Data-dimensionality-reduction
- 该压缩文件为部分数据降维方法，有LTSA、HHLLE、ISOMAP、LLTSA、LLP-The compressed file for the partial data dimensionality reduction method, there are LTSA, HHLLE, ISOMAP, LLTSA, LLP
code
- ssmfa将高光谱数据从高维观测空间投影到低维流形空间，达到约减数据维数的目的(ssmfa hyperspectral data is projected from the high dimensional observation space into the low dimensional manifold space, so as to reduce the dimensionality of data)
局部线性嵌入
- 利用局部线性嵌入算法将高维数据映射到低维空间中，达到降维效果；(The local linear embedding algorithm is used to map the high dimensional data into the low dimensional space to achieve the effect of reducing the dimension.)
postarderhash
- 对输入的高维特征向量进行pca降维后输出低维的特征向量()
LDA_ FDA_with_tutorial
- LDA降维是常用的降维手段之一，是常用的有监督学习降维工具。这个文件对其产生W后的使用进行了简要说明，使用W进行最终的降维可以得到十分漂亮的分析结果（在数据分布符合假设分析的情况下。）(LDA dimension reduction is one of the commonly used dimensionality reduction methods. It is a commonly used supervised learning dimensionality reduction tool
PCA
- 本程序可以对高维数据进行降维，便于得到主成分进行后续分析。(This program can reduce dimension of high-dimensional data and facilitate principal component analysis for subsequent analysis.)
PCA TEST
- 主成分分析程序，能够对高维数据降维分析，适用于高维特征降维，大数据分析(The principal component analysis program can analyze dimensionality reduction of high-dimensional data.)
PCA+mnist
- 基于python，利用主成分分析（PCA）和K近邻算法（KNN）在MNIST手写数据集上进行了分类。 经过PCA降维，最终的KNN在100维的特征空间实现了超过97%的分类精度。(Based on python, it uses principal component analysis (PCA) and K nearest neighbor algorithm (KNN) to classify on the MNIST handwritten data set. After PCA dime
核主元分析（Kernel principal component analysis ，KPCA）在降维、特征提取以及故障检测中的应用
- 主要功能有： （1）训练数据和测试数据的非线性主元提取（降维、特征提取） （2）SPE和T2统计量及其控制限的计算 （3）故障检测 KPCA的建模过程（故障检测）： （1）获取训练数据（工业过程数据需要进行标准化处理） （2）计算核矩阵 （3）核矩阵中心化 （4）特征值分解 （5）特征向量的标准化处理 （6）主元个数的选取 （7）计算非线性主成分（即降维结果或者特征提取结果） （8）SPE和T2统计量的控制限计算