學習目標：
matlab降維工具包
提取碼：m6dj
里面含有兩個壓縮包，解壓后的檔案含有：
drtoolbox(1)有工具箱的使用說明pdf和工具箱的下載包：
matlab的資料是接下來演示的資料集：
學習內容：
1、 資料匯入
解壓后有四個MATLAB Data,直接雙擊匯入Matlbel中，其中trainX對應unnamed，trainY對應unnamed1，testX對應unname2，testY對應unname3.這里是一個分類資料集（像trainY就是四類1，2，3，4），并且是高位資料集（trainX就是152個樣本量，但是有153個屬性），
2、 pdf說明書
當時學習這個工具箱的時候找到了這本書《An Introduction to Dimensionality Reduction Using Matlab》，里面詳細說明了工具箱包含的降維方法的理論原理并且有實際例子，非常適合小白學習：
3、 方法演示
方法演示我創建了一個實施腳本hign.mlx:
1.利用intrinsic_dim(X, 'MLE')來查看此方法建議你降維至第幾維
X = unnamed;%資料每個樣本為一行，
labels = unnamed1;
no_dims = round(intrinsic_dim(X, 'MLE'));
disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);
這里建議降維至2維，
2.選用合適的方法
不同的降維方法適用于不同的資料集，詳細學習請見《An Introduction to Dimensionality Reduction Using Matlab》，下面演示Laplacian降維和MDS降維，它們都是降至3維的演示：
X = unnamed;%資料每個樣本為一行，
labels = unnamed1;
no_dims = round(intrinsic_dim(X, 'MLE'));
%disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);
%[mappedX1, mapping] = compute_mapping(X, 'Laplacian', no_dims);
[mappedX3, mapping3] = compute_mapping(X, 'Laplacian',3);
colormap(jet)
figure, scatter3(mappedX3(:,1), mappedX3(:,2), mappedX3(:,3),30, labels);
%figure, scatter(mappedX1(:,1), mappedX1(:,2),30, labels);
%xlim([-0.3,0.2]);
%ylim([-0.2,0.2]);
%zlim([-0.04,0.022]);
title('Result of Laplacian');
X = unnamed;%資料每個樣本為一行，
labels = unnamed1;
no_dims = round(intrinsic_dim(X, 'MLE'));
%disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);
[mappedX1, mapping] = compute_mapping(X, 'MDS', 3);
%colormap(jet)
figure, scatter3(mappedX1(:,1), mappedX1(:,2), mappedX1(:,3),30, labels);
%figure, scatter(mappedX1(:,1), mappedX1(:,2),30, labels);
%xlim([-0.3,0.2]);
%ylim([-0.3,0.2]);
%zlim([-0.4,0.22]);
title('Result of MDS');
3.資料匯出
資料便是上述代碼中[mappedX1, mapping] = compute_mapping(X, 'MDS', 3);的mappedX1.
學習總結
這個降維雖然好用，但是主觀性非常強，本次演示的資料其實降維效果不好，最后進一步做分類器的時候效果很差，嘗試嘗試各種降維方式也是受益匪淺，但是還需慎用，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/259827.html
標籤：其他
上一篇：字串API自定義實作