關於一些非線性降維的方法與改進;On Some Nonlinear Dimensionality Reduction Methods and Improvements

NCU Institutional Repository > 理學院 > 數學研究所 > 博碩士論文 > Item 987654321/92909

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: http://ir.lib.ncu.edu.tw/handle/987654321/92909

题名:	關於一些非線性降維的方法與改進;On Some Nonlinear Dimensionality Reduction Methods and Improvements
作者:	王先弘;Wang, Xian-Hong
贡献者:	數學系
关键词:	維度縮減;主成分分析;線性判別分析;多維尺度擬合;等距映射;擴散映射;拉普拉斯特徵映射;局部線性嵌入;核主成分分析;dimensionality reduction;principal component analysis;linear discriminant analysis;multidimensional scaling;Isomap;diffusion maps;Laplacian eigenmap;locally linear embedding;kernel PCA
日期:	2023-07-25
上传时间:	2023-10-04 16:13:23 (UTC+8)
出版者:	國立中央大學
摘要:	降維是指減少數據集中變量的數量，理想情況下接近其內在維度，同時保留原始數據的有意義特性，它通常是資料科學中模型訓練之前的數據預處理步驟。具體來說，它可用於資料可視化、集群分析、降噪，或作為促進其他研究的中間步驟。在這篇論文中，我們簡要介紹主成分分析和線性判別分析兩種線性降維的方法，和一些主要的非線性降維方法，包括多維尺度擬合、等距映射、擴散映射、拉普拉斯特徵映射、局部線性嵌入和核主成分分析等方法的推導。此外，我們借助測地距離對拉普拉斯特徵映射和擴散映射進行了改進，我們還提出了一種選擇降維維度的方法。最後，我們進行數值實驗並比較各種降維技術。;Dimensionality reduction is reducing the number of variables in a dataset, ideally close to its intrinsic dimension, while retaining meaningful properties of the orig- inal data. It is usually a data preprocessing step before training models in data science. Specifically, it can be used for data visualization, cluster analysis, noise reduction, or as an intermediate step to facilitate other studies. In this thesis, we briefly present the derivations of linear dimensionality reduction methods of the principal component analysis and linear discriminant analysis, and several nonlinear dimensionality reduction methods, including the multidimensional scaling, isometric mapping, diffusion maps, Laplacian eigenmap, locally linear embedding, and ker- nel PCA. Furthermore, we propose modifications to the Laplacian eigenmap and diffusion maps with the help of geodesic distance. We also present a method for selecting the dimension for dimensionality reduction. Finally, we perform numerical experiments and compare the various dimensionality reduction techniques.
显示于类别:	[數學研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	51	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....