1回答
我有一个由两个主题的标记组成的数据文件。，当它获得相同的值对时，添加这个标记。因此，根据我的示例，sl_no 1到4具有相同的值对(10,20)。因此，它为Marks1返回40，为marks2返回80。Sl_No: 5与sl_no: 4不匹配，因此保持不变。序列号:6到8有一个匹配的对，所以它返回60和30。Sl_no: 9.0和10.0没有匹配项，因此它保持不变
浏览 0提问于2018-08-26得票数 1
回答已采纳
2回答
降维
、、
我正在尝试理解数据分析中降维的不同方法。特别是，我对奇异值分解(SVD)和主成分分析(PCA)感兴趣。a) SVD和PCA如何做到这一点，以及b)它们在方法上有何不同
或者如果你能解释一下每种技术的结果告诉我什么，那么对于a) SVD -什么是奇异值</e
浏览 6提问于2017-10-27得票数 1
2回答
矩阵TFIDF的降维
、、、
我计算了TFIdf(词频，反向文档频率)，并且我已经看到，在这一步之后，有必要使用诸如LSI、chi -square test等方法来降低矩阵的维数。我不知道如何在java中实现用于矩阵TFIDF降维的卡方测试，如果有一些库可以做这件事，或者有教程解释我如何做这件事，请告诉我
浏览 0提问于2011-03-30得票数 4
回答已采纳
1回答
大数据集的Weka优化
、、、、
首先，我希望我在这里的StackExchange是对的。如果没有，道歉！@attribute 'feature#value' numeric
每一行的值</em
浏览 0提问于2015-04-22得票数 2
回答已采纳
3回答
从数据库中提取的数据集由50多个列组成，我将这些列称为_dimension_s，可以称之为_dimension_s吗？
浏览 0提问于2017-03-21得票数 1
6回答
降尺度插值算法
、、
我试着理解降尺度。我可以看到如何使用插值算法，如双三次和最近邻域时，当升级时，“填补空白”之间的旧的，已知的点(像素，在图像)。编辑：假设我们有一个一维图像，每个点有一个颜色通道。一种按平均像素值从6点到3点的降<e
浏览 9提问于2009-05-18得票数 20
回答已采纳
1回答
有人能指出特征选择和聚类以及降维算法之间的区别吗？聚类帮助我们指出哪些变量簇清楚地定义了输出。这与降维算法不一样吗？特征选择+聚类不是和降维算法一样吗？
浏览 4提问于2015-10-27得票数 0
1回答
在我看来，the和其他降维算法主要是为了获得数据集的印象而将维数降为二维。如果做得好，它们看起来不错(例如，像这样)，但我想知道这是否比在网格上按类显示随机图像/分组更好。我想从以下几个方面得到答复：为什么t-SNE*比仅仅用一个2神经元瓶颈来拟合一个神经网络，然后取两个神经元的归一化值进行嵌入更好呢？t-SNE*有利于分类器的构建吗？我的<
浏览 0提问于2017-03-29得票数 2
1回答
我仍然在探索机器学习的这一领域，尽管我知道特征选择和降维之间的区别，但我发现在掌握何时进行特征选择或降维(或两者兼而有之)的概念上存在一些困难。假设我有一个包含大约40个特征的数据集，那么单独执行降维还是单独进行特征选择是一种好的做法？或者应该有两种方法的混合(即先进行特征选择，然后进行降维-或者反之亦然)？
浏览 1提问于2017-12-16得票数 0
2回答
我不明白自动编码器是如何实现降维的，因为它学会了将数据从输入层压缩成一段短代码，然后将该代码解压缩到原始数据中，我看不出降维在哪里:输入数据和输入数据具有相同的维数？
浏览 0提问于2018-06-13得票数 2
回答已采纳
2回答
我有一个回归模型，其中因变量是连续的，但是90%的自变量是绝对的(包括有序的和无序的)，大约30%的记录有缺失的值(更糟糕的是，它们是随机丢失的，没有任何模式，也就是说，超过45%的数据至少有一个缺失值没有先验理论来选择模型的规格，因此在进行回归之前，关键任务之一是降维。虽然我知道几种连续变量降</em
浏览 8提问于2010-05-14得票数 24
回答已采纳
1回答
t高维数据可视化
、、、、
对于一条推文，我将所有的单词向量相加，得到一个单一的300个模糊向量。因此，每个tweet被映射到一个300维的向量上。
问题：在图中没有明确的数据点之间的分离(边界)。我是否可以假设，300维中的原始点也是如此？
浏览 0提问于2016-01-21得票数 4
1回答
自动编码器还是基于层的降维？
、、、、
我有一些广泛的数据。在将数据集输入分类模型之前，我希望减少数据集中的功能数量.或者我不应该？显然，如果集群预算允许的话，我想尝试这两种方法，但是对于为什么下列任何一种方法都比另一种更好，有什么明显的理论吗？自动编码器( tanh，tanh，tanh层)
或者:大幅度减少输入的数量，也许是通过退出，到分类模型本身的第二层和第三层。还有，卓普特
浏览 0提问于2019-09-22得票数 1
我很困惑，因为我的一位同事最近告诉我，他更喜欢使用SVD而不是PCA (通过eigendecomposition)，因为与后者相反，前者是非线性的，因此它也可以识别一些非线性模式。然而，我无法确切地看出SVD是如何非线性的，因为我的印象是它只是应用了一系列线性矩阵乘法(也请参阅这个StackExchange答案)。
我知道this当然是非线性的，因此有时被称为非线性PCA。SVD是非线性的，PCA是线性的吗？
浏览 0提问于2018-10-26得票数 4
回答已采纳
1回答
但是，我想将所有预处理数据在0到1之间规范化，因为我的所有相似性度量(余弦、皮尔逊、欧几里得)都依赖于这个假设。在取SVD (A = USV^T)之后，是否有一种标准的方法来规范0到1之间的矩阵'A‘？谢谢!编辑:如果输入矩阵没有0到1之间的值，我希望所有的相似性度量都能给出0到1之间的结果，特别是我的归一化欧几里德距离。
浏览 0提问于2014-06-26得票数 6
1回答
众所周知，如果矩阵的列维或行维为1，则R试图将矩阵降为向量，使用drop=F命令可以防止这种自动降维。但是，我目前正在编写一个大型的R包，需要在代码中禁用数百次降维，以便手动查找这些位置并添加数百次drop=F。
因此，我想知道是否有任何选项或可能性一般禁用降维矩阵中的R？
浏览 2提问于2012-08-30得票数 28
回答已采纳
1回答
推理时的单图像特征约简: SVM
、、、、
在训练时，我要减少特征向量维数。我使用PCA来减少维数。但在推理时，我只有一幅图像和相应的一维特征向量。我想知道如何在推理时减少特征向量以匹配训练维数。
或者，如果有人可以提出一些其他的降维技术，可用于单一图像将是非常值得赞赏的。
浏览 0提问于2020-07-30得票数 0
2回答
我对工作流程的理解是运行LDA -> Extract keywards (例如，每个主题的前几个单词)，从而降低维度->一些后续分析。我的问题是，如果我的总体目标是以一种无监督的方式为文章提供主题，或者将类似的文档聚在一起，那么运行LDA将直接带您到达目标。为什么要降低维度，然后将其传递给后续分析？如果您这样做了，那么在LDA之后，您可以进行什么样的后续分析？
另外，还有一个不相关的问题--是在这里问这个问题更好，还是在交叉验证时问这个问题更好？
浏览 2提问于2015-09-27得票数 0
1回答
我正在比较各种技术，并想找出对大量文本文档进行矢量化和降维的最佳方法。我已经测试了Bag of Words和TF-IDF，并使用PCA、SVD和NMF进行了降维。使用这些方法，我可以减少我的数据，并知道基于解释的方差的最佳维度数量。 然而，我想用doc2vec做同样的事情，考虑到doc2vec本身是一个降维工具，找出我的模型<e
浏览 56提问于2020-08-15得票数 0
扫码
添加站长 进交流群
领取专属 10元无门槛券
手把手带您无忧上云
相关资讯
热门标签
云服务器
ICP备案
云直播
对象存储
腾讯会议活动推荐
腾讯云开发者
