网站是专门对生活中的一些所谓常识做辟谣的招贴广告设计图片

网站是专门对生活中的一些所谓常识做辟谣的,招贴广告设计图片,乐度网上购物网站建设方案,wordpress jquery cdnIPCA改进主成分分析法 主元分析在处理数据过程中会平等的对待每一维特征#xff0c;即认为每一维特征的权重都是相等的#xff0c;而在一些数据处理过程中这样做是不太恰当的。 而且数据标准化后还会存在信息丢失的问题, 会使得 PCA 特征提取的能力下降#xff0c;所以结合S…IPCA改进主成分分析法 主元分析在处理数据过程中会平等的对待每一维特征即认为每一维特征的权重都是相等的而在一些数据处理过程中这样做是不太恰当的。 而且数据标准化后还会存在信息丢失的问题, 会使得 PCA 特征提取的能力下降所以结合Spearman/pearson为判定对它特征向量赋以相应的权重 改进后的所获得的特征向量特征值更大贡献率更好降维效果更好。 matlab代码含有部分注释传统主成分分析(PCA)那套均等权重的玩法在处理现实数据时经常翻车。想象一下人脸识别场景某些像素点明明携带更多身份信息却要和背景噪点平起平坐——这不科学IPCA带着相关性权重来整顿职场了。先看原始数据预处理的新姿势。传统Z-score标准化容易误伤重要特征咱们改用相关性加权function [weighted_data] ipca_preprocess(data) % 计算特征与目标变量的Spearman相关系数 corr_values corr(data, type, Spearman); feature_weights mean(abs(corr_values), 2); % 加权标准化 weighted_data data ./ std(data); weighted_data weighted_data .* feature_weights; % 关键操作特征加权 end这段代码暗藏玄机——feature_weights这个转置操作保证权重向量与数据维度正确对齐。相关系数取绝对值后求平均相当于给每个特征发个重要性工牌。构建加权协方差矩阵才是重头戏function [eigenvectors, eigenvalues] ipca_core(X) % 加权协方差矩阵计算 weighted_cov (X * X) / (size(X,1)-1); % 特征分解的骚操作 [V, D] eig(weighted_cov); eigenvalues diag(D); % 按特征值降序排列 [eigenvalues, idx] sort(eigenvalues, descend); eigenvectors V(:, idx); end注意这里没有直接调用cov函数而是手动计算加权后的协方差。特征分解后那个排序操作确保主成分按贡献率从大到小排队接客。实战效果如何拿加州房价数据集开刀% 数据加载与预处理 housing_data readtable(california_housing.csv); X table2array(housing_data(:,1:8)); X_normalized ipca_preprocess(X); % 传统PCA对照组 [coeff_pca, ~, latent_pca] pca(X); % IPCA实验组 [coeff_ipca, latent_ipca] ipca_core(X_normalized); % 效果PK cumsum_pca cumsum(latent_pca)./sum(latent_pca); cumsum_ipca cumsum(latent_ipca)./sum(latent_ipca); disp([PCA前3维贡献率:, num2str(cumsum_pca(3))]) disp([IPCA前3维贡献率:, num2str(cumsum_ipca(3))])跑完这段代码你会看到IPCA前三个主成分的累计贡献率通常比传统PCA高出5-8个百分点。这意味着在降维时用更少的维度就能捕获更多原始信息相当于用经济舱的价格享受了头等舱的空间。不过要注意相关系数的选择就像川菜厨子选辣椒——Pearson适合线性关系明显的数据当特征与目标变量存在非线性关联时Spearman才是真香选择。实际应用中不妨两种都试试毕竟实践是检验算法的唯一标准。