主要内容

降维与特征提取

主成分分析，因子分析，特征选择，特征提取等等

功能转换技术通过将数据转换为新特征来降低数据的维数。特征选择当变量的转换不可能时，例如，当数据中有分类变量时，技术是可取的。有关特别适用于最小二乘拟合的特征选择技术，请参见逐步回归．

住编辑任务

降低维数 在实时编辑器中使用主成分分析(PCA)降低维度

功能

全部展开

fscchi2 使用卡方检验进行分类的单变量特征排序
fscmrmr 利用最小冗余最大相关性(MRMR)算法对分类特征进行排序
fscnca 利用邻域成分分析进行特征选择分类
fsrftest 用于回归的单变量特征排序F测试
fsrmrmr 利用最小冗余最大相关性(MRMR)算法对回归特征进行排序
fsrnca 利用邻域分量分析进行回归的特征选择
fsulaplacian 使用拉普拉斯分数对无监督学习的特征进行排名
partialDependence 计算部分依赖
plotPartialDependence 创建偏依赖图(PDP)和个体条件期望图(ICE)
oobPermutedPredictorImportance 对分类树的随机森林，用袋外预测器观测值的排列估计预测器重要性
oobPermutedPredictorImportance 通过对随机森林的回归树的袋外预测器观测的排列估计预测器重要性
predictorImportance 预测因子对分类树重要性的估计
predictorImportance 决策树分类集合中预测因子重要性的估计
predictorImportance 预测因子对回归树重要性的估计
predictorImportance 预测因子对回归集合重要性的估计
relieff 使用ReliefF或RReliefF算法对预测因子的重要性进行排序
sequentialfs 使用自定义准则进行序列特征选择
stepwiselm 进行逐步回归
stepwiseglm 通过逐步回归建立广义线性回归模型
黎加 利用重构ICA进行特征提取
sparsefilt 利用稀疏滤波进行特征提取
变换 将预测器转换为提取的特征
tsne t分布随机邻居嵌入
巴特 巴特利特的测试
canoncorr 典型相关
主成分分析 原始数据的主成分分析
pcacov 协方差矩阵的主成分分析
pcares 主成分分析的残差
车牌提取 概率主成分分析
factoran 因子分析
rotatefactors 旋转因子载荷
nnmf 非负矩阵分解
cmdscale 经典多维标度
泰姬陵 与参考样本的马氏距离
mdscale 模多维标度
pdist 成对观测点之间的距离
squareform 格式的距离矩阵
普罗克汝斯忒斯 普罗克汝斯忒斯分析

对象

全部展开

FeatureSelectionNCAClassification 基于邻域分量分析的分类特征选择
FeatureSelectionNCARegression 基于邻域分量分析(NCA)的回归特征选择
ReconstructionICA 重构ICA特征提取
SparseFiltering 稀疏滤波特征提取

主题

特征选择

特征提取

t-SNE多维可视化

  • t-SNE
    t-SNE是一种将高维数据进行非线性化简到二维或三维，同时保留原始数据的某些特征的可视化方法。
  • 使用t-SNE可视化高维数据
    这个例子展示了t-SNE如何创建高维数据的低维嵌入。
  • tsne设置
    这个例子展示了各种工具的效果tsne设置。
  • t-SNE输出函数
    t-SNE输出功能说明及示例。

主成分分析与典型相关

因子分析

  • 因子分析
    因子分析是一种将模型与多变量数据拟合的方法，以估计被测变量对较少数量的未观察(潜在)因素的相互依赖性。
  • 用因子分析分析股票价格
    使用因素分析来调查同一行业的公司股价是否经历了类似的周与周的变化。
  • 对考试成绩进行因素分析
    这个例子展示了如何使用统计和机器学习工具箱™执行因素分析。

非负矩阵分解

多维标度

普罗克汝斯忒斯分析

Baidu
map