非线性降维

维基百科,自由的百科全书
跳到导航 跳到搜索

高维数据,意味着数据需要多于两个或三个维度来表示,一般很难被解释。一种简化的方法是假设数据嵌在高维空间的一个非线性流形上。如果这个流形维数足够低,那么数据可以在低维空间中被可视化。




相关的线性分解的方法[编辑]

非线性降维的应用[编辑]

流形学习算法[编辑]

Sammon映射[编辑]

自组织映射[编辑]

主曲线和流形[编辑]

自编码器[编辑]

高斯过程潜变量模型[编辑]

曲线成分分析[编辑]

曲线距离分析[编辑]

微分同胚降维[编辑]

核方法的主成分分析[编辑]

等距特征映射[编辑]

局部线性嵌入[编辑]

拉普拉斯特征映射[编辑]

流形对齐[编辑]

散射映射[编辑]

Hessian局部线性映射[编辑]

局部线性嵌入·改 [编辑]

关系透视图[编辑]

局部切空间对齐[编辑]

局部多维标度[编辑]

最大方差展开[编辑]

非线性PCA[编辑]

数据驱动的高维缩放[编辑]

Manifold sculpting[编辑]

t-distributed stochastic neighbor embedding[编辑]

RankVisu[编辑]

Topologically constrained isometric embedding[编辑]

基于距离矩阵的方法[编辑]

参见[编辑]

引用[编辑]

外部链接[编辑]