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

transform

Transforme los predictores en entidades extraídas

Descripción

ejemplo

z = transform(Mdl,x) transforma los datos en las entidades a través del modelo.xzMdl

Ejemplos

contraer todo

Cree un modelo de transformación de entidades con 100 entidades a partir de los datos.caltech101patches

rng('default') % For reproducibility data = load('caltech101patches'); q = 100; X = data.X; Mdl = sparsefilt(X,q)
Warning: Solver LBFGS was not able to converge to a solution. 
Mdl =    SparseFiltering             ModelParameters: [1×1 struct]               NumPredictors: 363          NumLearnedFeatures: 100                          Mu: []                       Sigma: []                     FitInfo: [1×1 struct]            TransformWeights: [363×100 double]     InitialTransformWeights: []     Properties, Methods  

emite una advertencia porque se detuvo debido a que alcanzó el límite de iteración, en lugar de alcanzar un límite de tamaño de paso o un límite de tamaño de degradado.sparsefilt Todavía puede usar las características aprendidas en el objeto devuelto mediante una llamada a la función.transform

Transforme las primeras cinco filas de los datos de entrada en el nuevo espacio de entidades.X

y = transform(Mdl,X(1:5,:)); size(y)
ans = 1×2

     5   100

Argumentos de entrada

contraer todo

Modelo de extracción de características, especificado como objeto o como objeto.SparseFilteringReconstructionICA Cree mediante la función o la función.Mdlsparsefiltrica

Datos de predictor, especificados como una matriz con columnas o como una tabla de valores numéricos con columnas.pp Aquí, está el número de predictores en el modelo, que es.pMdl.NumPredictors Cada fila de la tabla o matriz de entrada representa un punto de datos para transformar.

Tipos de datos: single | double | table

Argumentos de salida

contraer todo

Datos transformados, devueltos como un-por-matriz.nq Aquí, es el número de filas en los datos de entrada, y es el número de entidades, que es.nxqMdl.NumLearnedFeatures

Algoritmos

convierte los datos en entidades pronosticadas mediante la matriz de ponderación aprendida para asignar predictores de entrada a entidades de salida.transformW

  • Para, los datos de entrada se asigna linealmente a las entidades de salida.ricaXXW Ver.Reconstrucción algoritmo ICA

  • Para, los mapas de datos de entrada no linealmente a las entidades de salidasparsefilt F^( , ).XW Ver.Algoritmo de filtrado disperso

    Precaución

    El resultado de un filtrado disperso depende del número de puntos de datos.transform En particular, el resultado de aplicar a cada fila de una matriz por separado difiere del resultado de aplicar a toda la matriz a la vez.transformtransform

Introducido en R2017a