原创力文档- 1、本文档共2页，可阅读全部内容。
- 2、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。
- 3、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。
- 4、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)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、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。
- 7、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。
- 8、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
•
数据库技术DataBaseTechnique
多维数据降维方法
文/戴云翔路东东
特征降维的方法根据特征提取方式的不分个数。
本文对数据降维方法进行了同可以分为：特征选择和特征抽取；根据样本（2）
摘概述，简要分析了现有数据降维信息可利用可分为：监督降维、半监督降维和（4）计算所选取的k个主
要方法，并指出数据降维方面的关无监督降维；根据处理数据属性类别的不同可成分得分。将原始数据中心化值
键问题。同时对线性降维方法主分为：线性降维和非线性降维。本文就处理数，代入前
成分分析分析方法、稀疏主成分据类别方面对多维数据降维方法进行阐述。k个主成分表达式，分别计算各单位前k个主
分析方法及非线性降维方法等距成分的得分，并依次排列。
特征映射方法、局部线性嵌入方2线性降维方法主成分分析方法对原始数据进行线性降
法的具体步骤进行了详细阐述。常用的线性降维方法主要有主成分分析维，降维后的数据保留原有数据的特征，但原
降维和稀疏主成分降维。这两种降维方法均能有数据的内在结构将不复存在。
够获得原始数据中的数据的主要成分，但两种2.2稀疏主成分分析
方法在数据的可解释性上又有所区别。
【关键词】数据降维线性降维非线性降维
稀疏主成分分析（SparsePrinciple
2.1主成分分析降维CompenentAnalysis,SPCA)是在PCA分析基
主成分分析（PrincipleComponentAnalysis,础上，将载荷矩阵转化为Lesso惩罚回归问题
1引言PCA）降维的目标是找到数据中最主要的元素得到稀疏载荷。与PCA相比，基SPCA获
和结构，去除噪声和冗余，对原有的复杂数据得的主成分有很强的解释能力，能够解释数据
数据降维是一个过程，在数据降维过程进行降维，揭示处隐藏在复杂数据背后的简单内在的结构，直观来说就是在应用稀疏主成分
是要保证在降低数据集维度的过程后，数据不数据。分析方法进行数据降维后，可以直接获得对原
丢失、不失真，降维后的数据依然要包含数据主成分分析的步骤为：始数据贡献率大的原始数据中的具体项。
的原有信息。在科技发展的今天，数据的采集（1）由原始矩阵X的协方差矩阵，求稀疏主成分分析的步骤为：
益发容易，采集的数据的量越来越大，很多时出其特征值（1）主成分分析前L个主成分
候数据量均在G量级上。在机器学习中，在（2）求出特征值分别对应的特征向量：
文档评论（0）