原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
局部线性嵌入
投影
瑞士卷数据问题数据点可能不是分布在欧式空间中的（比如黎曼空间）传统欧氏空间的度量难以用于真实世界的非线性数据
瑞士卷数据问题?投射到平面的压缩（左）vs 展开瑞士卷（右）
流行学习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。主要思想：将高维的数据映射到低维，使该低维的数据能够反映原高维数据的某些本质结构特征。在局部与欧氏空间同胚
流行学习高维空间中的样本重构关系在低维空间中得以保持流形学习的作用：可以作为一种数据降维的方式；能够刻画数据的本质。
流行学习线性流行学习算法 当流行是一个线性流行时，PCA得到的结果是优的。但PCA无法处理非线性流行。非线性流行学习算法等距映射 Lsomap拉普拉斯特征映射 Laplacian Eigenmaps局部线性嵌入 Locally-Linear Embedding……
流行学习不同流形学习之间的不同之处主要是在于构造的局部邻域结构不同以及利用这些局部邻域结构来构造全局的低维嵌入方法的不同。
局部线性嵌入LLE局部线性，就是认为在整个数据集的某小范围内，数据是线性的； 而这个“小范围”，最直接的办法就是k-近邻原则。“近邻”的判断也可以是不同的依据：比如欧氏距离，测地距离等。?又一个假设：即认为将原始数据从D维降到d维后，其依旧可以表示为其k近邻的线性组合，且组合系数不变。
局部线性嵌入LLELLE算法示意图?输入：权重：
局部线性嵌入LLE（2）由每个样本点的近邻点计算出该样本点的局部重建权值矩阵，即求解有约束的优化问题：?LLE算法示意图
局部线性嵌入LLE（3）由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值，即求解下述有约束优化问题：假设算法将向量从D维空间的x映射为d维空间的y。LLE算法示意图
LLE算法的例子近邻的个数降维到的维数
LLE算法的例子瑞士卷数据集LLE降维结果k=10k=5k=30k=50
LLE算法的例子LLE vs. Isomap瑞士卷数据集
THANKS
文档评论（0）