降维算法小结

  • 推荐阅读【Graph Embedding and Extensions: A general framework for Dimensionality Reduction】, 有队降维算法整体的把握。
  • 推荐阅读有关CCA典型相关分析的文章，推理计算过程
  • 推荐阅读有关LSA相关的文章

降维可以按照【有监督】-【无监督】，【线性】-【非线性】和【全局】-【局部】来分类。

也可以按照【Subspace Learning】,【Manifold Learning(流线学习)】【核函数】来实现。

Subspace Learning: (解决线性)
(1) PCA
(2) Linear Discriminat Analysis(LDA)
(3) Multidimensional Scaling(MDS)
Manifold Learning:（解决非线性）
(1) Isometric Feature Mapping
(2) Locally Linear Embedding(LIE)
(3) Laplacian Eigenmaps
Kernel Functions（解决非线性）
(1) Kernel PCA

最后编辑于 ：
©著作权归作者所有,转载或内容合作请联系作者
平台声明：文章内容（如有图片或视频亦包括在内）由作者上传并发布，文章内容仅代表作者本人观点，简书系信息发布平台，仅提供信息存储服务。

推荐阅读更多精彩内容