注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 流形学习技术自学材料（全包括）

  2. 【流行学习简介】：假设数据是均匀采样于一个高维欧氏空间中的低维流形，流形学习就是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。流形学习方法是模式识别中的基本方法，分为线性流形学习算法和非线性流形学习算法，线性方法就是传统的方法如主成分分析（PCA）和线性判别分析（LDA），非线行流形学习算法包括等距映射（Isomap），拉普拉斯特征映射（LE）等。 【文件包括】：

  3. 所属分类：其它

    • 发布日期：2009-06-14
    • 文件大小：6291456
    • 提供者：huxiaoyuan

  1. Python sklearn库实现PCA教程(以鸢尾花分类为例)

  2. PCA简介 主成分分析（Principal Component Analysis，PCA）是最常用的一种降维方法，通常用于高维数据集的探索与可视化，还可以用作数据压缩和预处理等。矩阵的主成分就是其协方差矩阵对应的特征向量，按照对应的特征值大小进行排序，最大的特征值就是第一主成分，其次是第二主成分，以此类推。 基本步骤： 具体实现 我们通过Python的sklearn库来实现鸢尾花数据进行降维，数据本身是4维的降维后变成2维，可以在平面中画出样本点的分布。样本数据结构如下图： 其中样本总数

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：145408
    • 提供者：weixin_38686677

  1. python实现PCA降维的示例详解

  2. 概述 本文主要介绍一种降维方法，PCA（Principal Component Analysis，主成分分析）。降维致力于解决三类问题。 1. 降维可以缓解维度灾难问题； 2. 降维可以在压缩数据的同时让信息损失最小化； 3. 理解几百个维度的数据结构很困难，两三个维度的数据通过可视化更容易理解。 PCA简介 在理解特征提取与处理时，涉及高维特征向量的问题往往容易陷入维度灾难。随着数据集维度的增加，算法学习需要的样本数量呈指数级增加。有些应用中，遇到这样的大数据是非常不利的，而且从大数据集中学习

  3. 所属分类：其它

    • 发布日期：2020-12-20
    • 文件大小：152576
    • 提供者：weixin_38752897

  1. FACTORscore:要素得分-源码

  2. 要素得分 1.简介 该脚本可以处理任何连续数据（例如，RNA表达数据和CNV log2ratio值）以建立FACTORscore，请参考以下文献：胃癌中的肿瘤微环境特征鉴定了预后和免疫治疗相关的基因标志。 主要步骤： 标准化数据以进行无监督的聚类。 使用R中的ConsensusClusterPlus软件包进行聚类分析。 样本组通过聚类组之间的Kaplan-Meier（KM）生存分析和项目共识和聚类共识图中的无监督聚类方法来确定。 随后，使用威尔科克森秩和检验或Kruskal-Wallis

  3. 所属分类：其它

    • 发布日期：2021-03-16
    • 文件大小：10240
    • 提供者：weixin_42120563

  1. datamining_pset-源码

  2. 数据挖掘与统计学习 这是我数据挖掘和统计学习课程中问题集的存储库。 任何单个项目都将拥有自己的存储库。 查看原始课程回购。 主题： 版本控制和工作流程 数据可视化（重复） 统计学习中的概念 线性模型 分类 模型选择和正则化 树木 无监督学习 聚类 主成分分析（PCA） 网络和关联规则 文本挖掘简介 治疗方法 重采样方法（CV，引导程序）

  3. 所属分类：其它

    • 发布日期：2021-03-10
    • 文件大小：9437184
    • 提供者：weixin_42098104

  1. 主成分分析（PCA）简介

  2. 主成分分析实例：一个平均值为(1,3)、标准差在(0.878,0.478)方向上为3、在其正交方向为1的高斯分布。这里以黑色显示的两个向量是这个分布的协方差矩阵的特征向量，其长度按对应的特征值之平方根为比例，并且移动到以原分布的平均值为原点。在多元统计分析中，主成分分析（英语：Principalcomponentsanalysis，PCA）是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，忽略高阶主成分做到的。这样低

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：305152
    • 提供者：weixin_38680764

  1. pattern_classification：用于解决和理解机器学习和模式分类任务的教程和示例的集合-源码

  2. **教程，示例，集合以及其他所有类别的内容：模式分类，机器学习和数据挖掘。** 栏目 此流程图的[ ]。 机器学习和模式分类简介 [] 预测性建模，有监督的机器学习和模式分类-大图[ ] 入口点：数据-使用Python的Sci包为机器学习任务和其他数据分析准备数据[ ] 使用scikit-learn进行简单线性监督分类的简介[ ] 前处理 [] 特征提取 在分类任务中编码分类特征的技巧和窍门[ ] 缩放和标准化 关于特征缩放：标准化和最小最大缩放（规范化）[ ] 功能选

  3. 所属分类：其它

    • 发布日期：2021-02-04
    • 文件大小：72351744
    • 提供者：weixin_42151373

  1. 主成分分析（PCA）简介

  2. 主成分分析实例：一个平均值为(1,3)、标准差在(0.878,0.478)方向上为3、在其正交方向为1的高斯分布。这里以黑色显示的两个向量是这个分布的协方差矩阵的特征向量，其长度按对应的特征值之平方根为比例，并且移动到以原分布的平均值为原点。 在多元统计分析中，主成分分析（英语：Principalcomponentsanalysis，PCA）是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。这是通过保留低阶主成分，

  3. 所属分类：其它

    • 发布日期：2021-01-27
    • 文件大小：305152
    • 提供者：weixin_38642897