学科分类 - 《中国大百科全书》第三版网络版

高级搜索

个人中心
机构中心
退出

专业板块专题板块大众板块

总分类

哲学经济学法学教育学文学历史学理学工学农学医学军事学管理学艺术学

返回总分类

首页

线性特征提取/ linear feature extraction // linear feature extraction /

从一组已有特征通过线性变换得到一组新特征。又称线性特征变换、线性子空间分析。

独立元分析/ independent component analysis /independent component analysis
线性特征提取
其目的是寻找内在独立的源变量。同主成分分析不同，独立元分析假定了采集的数据是由多个统计独立的非高斯信号源经过某种变换组合而成。但信息源之间往往不具有如高斯分布一样的独立性，即正交特性。因此，采用隐含高斯分布假设的主成分分析不能够将这些独立的信号源有效分离开来。又称独立分量分析、独立成分分析。
非负矩阵分解/ non-negative matrix factorization; NMF /non-negative matrix factorization; NMF
线性特征提取
非负矩阵分解(non-negative matrix factorization, NMF)是一种常用的矩阵分解算法，基于输入的矩阵，非负矩阵分解算法可将其分解为两个矩阵和都是非负的，即：该方法最早由D.D.Lee和H.S.Seung在1999年于科学杂志《Nature》上提出，它使分解后的所有分量均为非负值，并且达到维数约减。非负矩阵分解现在是计算机视觉、数字信号处理、生物信息工程和机器学习等研究领域中应用最多的高维数据处理方法之一。
奇异值分解/ single value decomposition /single value decomposition
线性特征提取
一种线性代数下的矩阵分解技术。
典型相关分析/ canonical correlation analysis /canonical correlation analysis
线性特征提取
利用综合变量对之间的相关关系来反映两组指标之间的整体相关性的多元统计分析方法。
降维/ dimensionality reduction /dimensionality reduction
降维
模式识别和机器学习领域中的降维就是指采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。
嵌入式方法/ embedded methods /embedded methods
特征选择
特征选择的一类方法。
包装器方法/ wrapper methods /wrapper methods
特征选择
一类特征选择算法。此类方法需要事先给定目标预测模型，以预测模型性能作为特征选择的评估准则，使用特征子集搜索算法获得使预测模型性能最高的子集。可认为其中在预测模型之外包装了一层特征子集搜索算法，从而得名。
过滤方法/ filter methods /filter methods
特征选择
一类特征选择算法。

线性特征提取/ linear feature extraction // linear feature extraction /

独立元分析/ independent component analysis /independent component analysis

非负矩阵分解/ non-negative matrix factorization; NMF /non-negative matrix factorization; NMF

奇异值分解/ single value decomposition /single value decomposition

典型相关分析/ canonical correlation analysis /canonical correlation analysis

降维/ dimensionality reduction /dimensionality reduction

嵌入式方法/ embedded methods /embedded methods

包装器方法/ wrapper methods /wrapper methods

过滤方法/ filter methods /filter methods