常见的特征降维方法有哪些？

liting李

2021-03-10 阅读量: 602

常见的特征降维方法有哪些？

1、主成成分分析（PCA）

2、线性判别分析（Linear Discriminant Analysis,LDA）

映射后类内方差最小，类间方差最大

3、局部线性嵌入(Locally Linear Embedding,LLE)

Isomap求全局最优解，LLE算法计算量较小

4、多维缩放（Multidimensional Scaling,MDS）

非线性降维

在降维的同时尽量保持欧式距离不变

5、等度量映射（Isometric Mapping，Isomap)

属于流形学习

认为低维流形嵌入高维空间后，低维流形两点间的距离是测地线距离（geodesic)

利用两点间的最短路径来近似两点间的测地线距离。因此，当空间中的数据点稠密时，近似效果较好，误差较小；当数据点稀疏时，效果就不太好。

6、局部保留投影(Locality Preserving Projections,LPP)

属于流形学习

线性降维

降维的同时保留局部近邻节点的信息

7、拉普拉斯特征映射(Laplacian Eigenmaps,LE)

属于流形学习

非线性的降维方法

降维的同时保留局部近邻节点的信息

105.5975

关注作者

发表评论

暂无数据

CDA考试动态

CDA报考指南

推荐帖子