«dimensionality-reduction» etiketlenmiş sorular

Düşük kademeli regresyon ve temel bileşen regresyonu sadece kısmi en küçük karelerin özel durumları mıdır? Bu öğretici (Sayfa 6, "Hedeflerin Karşılaştırılması"), X veya Y yansıtmadan kısmi en küçük kareler yaptığımızda (yani, "kısmi değil"), buna karşılık olarak azalan sıralama regresyonu veya temel bileşen regresyonu haline geldiğini belirtir. Bu SAS dokümantasyon bölümünde …

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

Bu verileri kullanma: head(USArrests) nrow(USArrests) Ben böyle bir PCA yapabilirsiniz: plot(USArrests) otherPCA <- princomp(USArrests) Yeni bileşenleri otherPCA$scores ve aşağıdaki bileşenlerle açıklanan varyans oranı summary(otherPCA) Ama hangi değişkenlerin çoğunlukla hangi temel bileşenler tarafından açıklandığını bilmek istersem? Ve tam tersi: örneğin PC1 veya PC2 en çok tarafından açıklanıyor murdermu? Bunu nasıl yapabilirim? …

15 r  pca  dimensionality-reduction  regression-strategies 

Nominal veya sıralı verilerdeki kategori sayısını azaltmak için bir yöntem bulmakta zorlanıyorum. Örneğin, bir dizi nominal ve sıralı faktöre sahip bir veri kümesi üzerinde bir regresyon modeli oluşturmak istediğimi varsayalım. Bu adımla ilgili hiçbir sorunum olmasa da, genellikle nominal bir özelliğin eğitim setinde gözlemsiz olduğu, ancak daha sonra doğrulama veri …

14 r  categorical-data  dimensionality-reduction  many-categories 

Rastgele Orman Sınıflandırması yapmadan önce PCA yapmak mantıklı mıdır? Yüksek boyutlu metin verileriyle uğraşıyorum ve boyutsallığın lanetinden kaçınmaya yardımcı olmak için özellik azaltma yapmak istiyorum, ancak Rastgele Ormanlar zaten bir boyut azaltma türüne değil mi?

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

Çalıştığım belirli bir problemde (bir yarışma) follwoing ayarına sahibim: 21 özellik ([0,1] üzerinde sayısal) ve bir ikili çıktı. Yaklaşık 100 K satırım var. Ayar çok gürültülü görünüyor. Ben ve diğer katılımcılar bir süreliğine özellik üretmeyi uyguluyoruz ve t-dağılmış stokastik komşu yerleştirme bu ortamda oldukça güçlü çıktı. "T-SNE Etkili Nasıl Kullanılır" …

13 machine-learning  dimensionality-reduction  unsupervised-learning  tsne 

15K etiketli örneklerden (10 gruptan) oluşan bir veri setim var. Boyutların azaltılmasını etiketlerin bilgisini dikkate alan 2 boyuta uygulamak istiyorum. PCA gibi "standart" denetimsiz boyutsallık azaltma tekniklerini kullandığımda, saçılma grafiğinin bilinen etiketlerle ilgisi yok gibi görünüyor. Aradığım şeyin bir adı var mı? Bazı çözüm referanslarını okumak istiyorum.

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

Hem özellik seçiminin hem de boyutsallığın azaltılmasının orijinal özellik grubundaki özellik sayısını azaltmayı amaçladığını biliyorum. Her ikisinde de aynı şeyi yapıyorsak, ikisi arasındaki kesin fark nedir?

13 machine-learning  pca  feature-selection  dimensionality-reduction 

Görünüşe göre, Fisher analizi, sınıf içi dağılımı en aza indirirken aynı zamanda sınıflar arası ayrımı en üst düzeye çıkarmayı amaçlamaktadır. Bu nedenle, bir değişkenin ayrımcılık gücünün yararlı bir ölçüsü, diyagonal miktar ile verilir: .Bii/WiiBii/WiiB_{ii}/W_{ii} http://root.cern.ch/root/htmldoc/TMVA__MethodFisher.html p x p( B ) ve Sınıf İçi ( W ) Arasındaki matrislerin boyutunun ( …

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

2 bağlamın her birinde 87 hayvan üzerinde 3 deneme var (bazı eksik veriler; eksik veri yok = 64 hayvan). Ben (onlara diyoruz bu bağlamda davranışını tanımlamak 2 ila 3 kompozit davranış puanları geliştirmek isteyen böylece bir çerçevede, ben, birçok özel tedbirleri (girmek için zaman, barınak dönen kaç kez, vs.) sahip …

13 repeated-measures  pca  dimensionality-reduction 

LLE için algoritmanın arkasındaki temel prensibin üç adımdan oluştuğunu anlıyorum. Her veri noktasının mahallesini k-nn gibi bir metrik ile bulmak. Her komşu için, komşunun veri noktası üzerindeki etkisini gösteren ağırlıkları bulun. Hesaplanan ağırlıklara dayalı olarak verilerin düşük boyutlu gömülmesini oluşturun. Ancak 2. ve 3. adımların matematiksel açıklaması okuduğum tüm ders …

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

Çekirdek PCA (temel bileşen analizi) ile nihai veri çıktısında hangi çekirdeğin iyi veri ayrılmasına yol açacağını seçmenin yolları nelerdir ve çekirdeğin parametrelerini optimize etmenin yolları nelerdir? Layman'ın mümkünse terimleri çok takdir edilecek ve bu yöntemleri açıklayan makalelere bağlantılar da iyi olurdu.

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

Şu anda başımı t-SNE matematiğinin etrafına sarmaya çalışıyorum . Ne yazık ki, tatmin edici bir şekilde cevaplayamadığım bir soru var: Bir t-SNE grafiğindeki eksenlerin gerçek anlamı nedir? Eğer bu konuda bir sunum yaparsam ya da herhangi bir yayına dahil edersem: Eksenleri uygun şekilde nasıl etiketleyebilirim? Not: Bu Reddit sorusunu okudum …

12 machine-learning  dimensionality-reduction  tsne 

Çok büyük bir veri setim var ve yaklaşık% 5 rasgele değerler eksik. Bu değişkenler birbiriyle ilişkilidir. Aşağıdaki örnek R veri kümesi sadece yapay korelasyonlu verilere sahip bir oyuncak örneğidir. set.seed(123) # matrix of X variable xmat <- matrix(sample(-1:1, 2000000, replace = TRUE), ncol = 10000) colnames(xmat) <- paste ("M", 1:10000, …

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 

Sadece çift mesafelere sahip olduğum büyük bir veri kümesini kümelemek istiyorum. Bir k-medoid algoritması uyguladım, ancak çalışması çok uzun sürüyor, bu yüzden PCA'yı uygulayarak sorunumun boyutunu azaltarak başlamak istiyorum. Ancak, bu yöntemi gerçekleştirmenin tek yolu benim durumumda olmayan kovaryans matrisini kullanmaktır. PCA'yı sadece çift mesafeleri bilerek uygulamak için bir yol …

12 pca  dimensionality-reduction  multidimensional-scaling 

Hangi durumlarda t-SNE kullanmalıyız (veri görselleştirme dışında)? Boyut azaltılması için T-SNE kullanılır. Bunun cevabı sorunun t-SNE sadece görselleştirme için ve biz kümeleme için kullanmaması gerektiğini kullanılması gerektiğini düşündürmektedir. O zaman t-SNE'nin iyi kullanımı nedir?

12 data-visualization  dimensionality-reduction  tsne