dimensionality-reduction

0熱度

1回答

顯然隨機矢量繪圖：TSNE

我已經成功地使用Gensim的word2vec庫創建了一個矢量模型。相關矢量之間的距離很好（也就是說，從人類的角度來看，派生的相似度是有意義的）。 但是，試圖將這些向量映射到圖上已經證明具有挑戰性。當然，矢量的N維需要減小才能進行繪圖：爲此，我使用了TSNE。 import gensim, logging, os import codecs import numpy as np import

python matplotlib scikit-learn visualization dimensionality-reduction 2017-05-01

---

1熱度

1回答

使用PCA降維降維 - MATLAB

我正試圖降低使用PCA的訓練集的維數。 我遇到過兩種方法。 [V,U,eigen]=pca(train_x); eigen_sum=0; for lamda=1:length(eigen) eigen_sum=eigen_sum+eigen(lamda,1); if(eigen_sum/sum(eigen)>=0.90) break; end

matlab machine-learning pca training-data dimensionality-reduction 2017-03-15

---

1熱度

1回答

在這個CNN降維，似乎是想對我的理論

我有一個兩層CNN與以下建築的理解： 下面是這個架構中tensorflow表示： import os import tensorflow as tf import sys import urllib import numpy as np import random from sklearn.preprocessing import OneHotEncoder from PIL imp

python tensorflow conv-neural-network dimensionality-reduction 2017-05-06

---

-2熱度

1回答

是否有任何方法可以處理迴歸模型的高維度降維？

我有一個非常龐大的訓練數據集，大概15GB，我無法將它放到我的計算機內存中用於訓練任何類型的迴歸模型。數據集的每個樣本都是一個4d矩陣。您可以將樣本平鋪爲矢量，但該矢量的維度更大，是否有任何方法可用於減少我的樣本的維度以訓練線性迴歸模型？

python regression dimensionality-reduction 2017-05-15

---

1熱度

2回答

多元對應分析MCA使用Python中無二進制範疇虛擬變量和

我使用的是python package爲多個分類變量多元對應分析的王子模塊。我學習的一組地質數據，這裏是一個示例預覽： Quartz Oxides Hematite Limonite Geothite Clay Soil_Type 1 2 3 4 1 0 A 2 1 4 3 0 1 B 3 4 2 1 4 0

python pandas pca dimensionality-reduction 2017-05-17

---

-1熱度

1回答

降維聚類在R（PCA等方法）

讓我前言本： 我已經在這個問題上廣泛地看着，我已經發現了幾個有趣的可能性考慮（如this和this）。我也研究過主成分分析，並且我看到一些消息來源聲稱這是一個不好的降維方法。但是，我覺得它可能是一個好方法，但我不確定如何實現它。我在這個問題上找到的所有資源都給出了一個很好的解釋，但是他們很少提供任何關於實際應用這些方法之一的建議（即如何在R中實際應用方法）。 所以，我的問題是：是否有一個明確的方法

r pca feature-selection dimensionality-reduction 2017-04-05

---

0熱度

2回答

在Scikit-learn中設置局部線性嵌入（LLE）方法的參數以減少降維

我在Scikit-learn中使用局部線性嵌入（LLE）方法來降維。我能找到的唯一例子屬於Scikit-learn文檔here和here，但我不知道該如何選擇該方法的參數。特別是，數據點的維數或樣本數量與鄰居數量（n_neighbors）和組件數量（n_components）之間是否有任何關係？ Scikit-learn中的所有示例都使用n_components = 2，情況總是如此嗎？最後，是否

python scikit-learn dimensionality-reduction manifold 2017-02-16

---

0熱度

1回答

對於簡化數據集，LDA準確性比原始數據更高

我正試圖用LDA減少數據集。我期望減少數據集的準確性會降低。然而，取決於隨機種子，我有時會減少版本給我更高的準確性。 X, y = make_classification(1000, 50, n_informative=10, n_classes=20) X1, X2, y1, y2 = train_test_split(X, y) lda = LDA() lda.fit(X1, y1)

python machine-learning scikit-learn dimensionality-reduction linear-discriminant 2017-02-17

---

0熱度

1回答

sklearn tsne用稀疏矩陣

我試圖顯示一個非常稀疏矩陣與預計算距離值tsne但我有麻煩它。 它歸結爲： row = np.array([0, 2, 2, 0, 1, 2]) col = np.array([0, 0, 1, 2, 2, 2]) distances = np.array([.1, .2, .3, .4, .5, .6]) X = csc_matrix((distances, (row, col)), sh

python scikit-learn sparse-matrix dimensionality-reduction 2017-03-01

---

3熱度

1回答

將Word2Vec模型有效地導入生產服務

這是一個很遠的鏡頭，但我希望有人遇到類似的情況，因爲我正在尋找一些建議，以便如何將一組大型word2vec模型有效地帶入生產環境環境。 我們有一系列維度爲300的訓練好的w2v模型。由於基礎數據 - 帶POS標記詞的龐大語料庫;專業詞彙量高達100萬字 - 這些模型變得相當龐大，我們正在研究如何將這些內容暴露給我們的用戶，而不用花費太高的基礎設施費用。 除了試圖更好地控制詞彙量，顯然，特徵向量的降

performance production data-science word2vec dimensionality-reduction 2017-06-14

---