Esta página aún no se ha traducido para esta versión. Puede ver la versión más reciente de esta página en inglés.

Reducción de dimensionalidad y extracción de características

PCA, análisis factorial, selección de características, extracción de características y más

técnicas reducen la dimensionalidad de los datos transformando los datos en nuevas características. técnicas son preferibles cuando no es posible la transformación de variables, por ejemplo, cuando hay variables categóricas en los datos.Feature transformationFeature selection Para una técnica de selección de características que sea específicamente adecuada para el ajuste de mínimos cuadrados, consulte.Regresión stepwise

Funciones

expandir todo

fscncaSelección de características mediante análisis de componentes de vecindad para clasificación
fsrncaSelección de características mediante análisis de componentes de vecindad para regresión
sequentialfsSelección secuencial de características
relieffRango importancia de los predictores usando ReliefF o RReliefF algoritmo
ricaExtracción de características mediante la reconstrucción ICA
sparsefiltExtracción de características mediante el filtrado disperso
transformTransforme los predictores en entidades extraídas
tsnet-Distributed estocástico vecino incrustación
barttestLa prueba de Bartlett
canoncorrLa correlación canónica
pcaAnálisis de componentes principales de datos sin procesar
pcacovAnálisis del componente principal en la matriz de covarianza
pcaresLos residuos del análisis de componentes principal
ppcaEl análisis de componentes principales probabilísticos
factoranEl análisis factorial
rotatefactorsGire las cargas de factor
nnmfFactorización de matriz no negativa
cmdscaleEl escalado multidimensional clásico
mahalMahalanobis distancia
mdscaleEl escalado multidimensional no clásico
pdistLa distancia en parejas entre pares de observaciones
squareformFormato de matriz de distancia
procrustesEl análisis de Procrustes

Clases

FeatureSelectionNCAClassificationSelección de características para la clasificación mediante el análisis de componentes de vecindad (NCA)
FeatureSelectionNCARegressionSelección de características para la regresión utilizando el análisis de componentes de vecindad (NCA)

Objetos

ReconstructionICAExtracción de características por reconstrucción ICA
SparseFilteringExtracción de características mediante filtrado disperso

Temas

Selección de características

Selección de características

Obtenga información sobre los algoritmos de selección de características, como la selección secuencial de entidades.

Selección de características de análisis de componentes de vecindad (NCA)

El análisis de componentes de vecindad (NCA) es un método no paramétrico e incrustado para seleccionar entidades con el objetivo de maximizar la precisión de predicción de los algoritmos de regresión y clasificación.

Extracción de características

Extracción de características

La extracción de características es un conjunto de métodos para extraer características de alto nivel de los datos.

Flujo de trabajo de extracción de características

Este ejemplo muestra un flujo de trabajo completo para la extracción de entidades a partir de datos de imagen.

Extraer señales mixtas

Este ejemplo muestra cómo utilizar para desentrelangular las señales de audio mezcladas.rica

Visualización multidimensional de t-SNE

t-SNE

t-SNE es un método para visualizar datos de alta cota por reducción no lineal a dos o tres dimensiones, conservando algunas características de los datos originales.

Visualice datos de alta cota con t-SNE

En este ejemplo se muestra cómo t-SNE crea una incrustación de datos alta dimensional útil en baja dimensión.

Configuracióntsne

Este ejemplo muestra los efectos de varias configuraciones.tsne

Función de salida t-SNE

Descripción de la función de salida y ejemplo para t-SNE.

PCA y correlación canónica

Análisis de componentes principales (PCA)

El análisis de componentes principal reduce la dimensionalidad de los datos reemplazando varias variables correlacionadas con un nuevo conjunto de variables que son combinaciones lineales de las variables originales.

Analice la calidad de vida en las ciudades de Estados Unidos utilizando PCA

Realice un análisis de componentes principales ponderados e interprete los resultados.

Análisis factorial

Análisis factorial

El análisis factorial es una manera de ajustar un modelo a datos multivariados para estimar la interdependencia de las variables medidas en un número menor de factores no observados (latentes).

Analice los precios de las acciones utilizando análisis factorial

Utilice el análisis factorial para investigar si las empresas dentro del mismo sector experimentan cambios similares de una semana a la semana en los precios de las acciones.

Realizar análisis de factores en calificaciones de exámenes

En este ejemplo se muestra cómo realizar el análisis factorial mediante estadísticas y machine learning Toolbox™.

Factorización matricial no negativa

Factorización matricial no negativa

() es una técnica de reducción de dimensiones basada en una aproximación de rango bajo del espacio de entidades.Factorización de matriz no negativaNMF Además de proporcionar una reducción en el número de características, el NMF garantiza que las características no son negativas, produciendo modelos aditivos que respetan, por ejemplo, la no negatividad de las cantidades físicas.

Realizar factorización de matriz no negativa

Realice la factorización de matriz no negativa utilizando los algoritmos multiplicativos y alternos de mínimos cuadrados.

El escalado multidimensional

El escalado multidimensional

El escalado multidimensional le permite visualizar los puntos cercanos entre sí para muchos tipos de métricas de distancia o de dessimilitud y puede producir una representación de datos en un número reducido de dimensiones.

El escalado multidimensional clásico

Se usa para realizar el escalado multidimensional clásico (métrico), también conocido como análisis de coordenadas principales.cmdscale

Escalado multidimensional clásico aplicado a distancias no espaciales

En este ejemplo se muestra cómo realizar el escalado multidimensional clásico mediante la función de estadísticas y machine learning Toolbox™.cmdscale El escalado multidimensional clásico, también conocido como análisis de coordenadas principales, toma una matriz de distancias de interpunto y crea una configuración de puntos.

El escalado multidimensional no clásico

En este ejemplo se muestra cómo visualizar datos de dessimilitud mediante formas no clásicas de escalado multidimensional (MDS).

Escalado multidimensional no clásico y no métrico

Realizar escalado multidimensional no clásico mediante.mdscale

Procrustes Analysis

Procrustes Analysis

El análisis de Procrustes minimiza las diferencias de ubicación entre los datos de hitos comparados utilizando las mejores transformaciones euclidianas que conservan la forma

Comparar formas manuscritas usando análisis Procrustes

Utilice el análisis de Procrustes para comparar dos números manuscritos.

Ejemplos destacados