Statistiques et Big Data manifold-learning

3

Dans les techniques de réduction de dimensionnalité telles que l'analyse en composantes principales, LDA, etc., le terme collecteur est souvent utilisé. Qu'est-ce qu'une variété en termes non techniques? Si un point Xxx appartient à une sphère dont je veux réduire la dimension, et s'il y a un bruit yyy et …

29 terminology manifold-learning

2

Comment comprendre «non linéaire» comme dans «réduction de dimensionnalité non linéaire»?

J'essaie de comprendre les différences entre les méthodes de réduction de dimensionnalité linéaire (par exemple, PCA) et les méthodes non linéaires (par exemple, Isomap). Je ne comprends pas très bien ce que la (non) linéarité implique dans ce contexte. J'ai lu sur Wikipedia que Par comparaison, si PCA (un algorithme …

24 pca terminology dimensionality-reduction pattern-recognition manifold-learning

2

Quelle est l'hypothèse multiple dans l'apprentissage semi-supervisé?

J'essaie de comprendre ce que signifie l'hypothèse multiple dans l'apprentissage semi-supervisé. Quelqu'un peut-il expliquer de manière simple? Je ne peux pas obtenir l'intuition derrière cela. Il dit que vos données se trouvent sur un collecteur de faible dimension intégré dans un espace de dimension supérieure. Je n'ai pas compris ce …

20 machine-learning unsupervised-learning supervised-learning manifold-learning

2

Intuition graphique des statistiques sur une variété

Sur ce poste , vous pouvez lire la déclaration: Les modèles sont généralement représentés par des points sur une variété de dimensions finies.θθ\theta Sur la géométrie différentielle et les statistiques par Michael K Murray et John W Rice, ces concepts sont expliqués en prose lisible, même en ignorant les expressions …

12 distributions manifold-learning information-geometry topologies

1

Comment choisir un noyau pour le noyau PCA?

Quelles sont les façons de choisir quel noyau entraînerait une bonne séparation des données dans la sortie finale des données par le noyau PCA (analyse des composants principaux), et quelles sont les façons d'optimiser les paramètres du noyau? Les termes de Layman, si possible, seraient grandement appréciés, et des liens …

12 pca cross-validation dimensionality-reduction kernel-trick manifold-learning

1

Quelle est la différence entre un apprentissage multiple et une réduction de dimensionnalité non linéaire?

Quelle est la différence entre un apprentissage multiple et une réduction de dimensionnalité non linéaire ? J'ai vu ces deux termes être utilisés de manière interchangeable. Par exemple: http://www.cs.cornell.edu/~kilian/research/manifold/manifold.html : L'apprentissage multiple (souvent également appelé réduction de dimensionnalité non linéaire) poursuit l'objectif d'incorporer des données qui se trouvent à l'origine …

9 terminology dimensionality-reduction manifold-learning

2

Comment prouver que l'hypothèse multiple est correcte?

Dans l'apprentissage automatique, il est souvent supposé qu'un ensemble de données repose sur un collecteur lisse de faible dimension (l'hypothèse du collecteur), mais existe-t-il un moyen de prouver que, en supposant que certaines conditions sont remplies, l'ensemble de données est en effet (approximativement) généré à partir d'un collecteur lisse de …

9 machine-learning dimensionality-reduction manifold-learning

Questions marquées «manifold-learning»