基于半监督学习的降维算法研究.pptxVIP

基于半监督学习的降维算法研究姓 名：刘国胜指导老师：王娜 副教授选题来源：国家自然科学基金项目——基于成对约束的半监督谱流形非线性降维研究及应用 降维的意义：数据的高维性维数灾难计算复杂性冗余性可视化数据的内在结构和规律 降维方法分类线性降维方法： PCA、ICA、LDA和MDS等非线性降维方法：基于核函数的降维方法流形学习算法基于核函数的降维方法核方法：核方法的本质实际上就是内积。 目前核方法应用于机器学习的各个领域，包括 数据分类：SVM 数据聚类、回归； 特征降维：KPCA，KLDA，基于核函数的流形学习算法。核方法实际上是通过非线性映射将样本点映射到高维空间，通过在原空间中使用满足Mercer条件的核函数计算高维空间的内积，从而巧妙地避免了在映射高维空间计算的“维数灾难”问题。对于原空间线性不可分问题，可以在高维映射空间实现线性或近似线性可分。流形学习算法 流形是20世纪最具代表意义的数学概念，是描述许多自然现象的一种空间形式。欧式空间是一种特殊的抽象空间，过去认为数据存在于欧式空间是为了简化研究，而对于复杂的感知数据，没有任何理由假设它们必须处在欧氏空间中—实际上，它们可能处在一种更为普遍的空间结构之上。认知心理学的研究结果表明了人类的认知系统能够有效地发掘非线性结构，这也就推动了诸多学者研究流形的原因之一。“流形学习”这一词的是1995年由Bregler