降维和特征提取
功能转换技术通过将数据转换为新功能来减少数据中的维度。功能选择当变量的转换不可能时，可以优选技术，例如，当数据中存在分类变量时。对于专门适用于最小二乘拟合的特征选择技术，请参阅逐步回归。
职能
对象
话题
功能选择
了解要素选择算法并探索功能选择的功能。
本主题介绍了顺序特征选择，并提供了一个使用自定义标准顺序选择功能的示例序列功能。
邻域分量分析(NCA)是一种非参数的特征选择方法，其目标是最大限度地提高回归和分类算法的预测精度。
通过删除预测器来制造更强大和更简单的模型，而不会影响模型的预测力。
使用交互测试算法选择随机林的拆分预测器。
t-SNE多维可视化
T-SNE是一种通过非线性降低到两种或三维的高维数据的方法，同时保留原始数据的一些特征。
此示例显示T-SNE如何创建高维数据的有用低维嵌入。
这个例子显示了各种影响徐设置。
输出功能描述和T-SNE示例。
PCA和规范相关性
主成分分析通过用新的一组变量替换若干相关变量来减少数据的维度，这些变量是原始变量的线性组合。
执行加权主组件分析并解释结果。
因子分析
因子分析是一种将模型拟合到多元数据的方法，以估计测量变量对较少数量的未观测(潜在)因素的相互依赖性。
使用因素分析来调查同一行业内的公司是否经历了类似的每周股票价格的变化。
此示例显示了如何使用统计和机器学习工具箱™执行因子分析。
多维缩放
多维缩放允许您为多种距离或异化度量彼此可视化若要彼此的差异，并且可以在少量维度中产生数据的表示。
用cmdscale.要执行经典（公制）多维缩放，也称为主坐标分析。
此示例显示如何使用的是如何执行经典的多维缩放cmdscale.统计和机器学习工具箱™中的功能。
此示例显示了如何使用非数据形式的多维缩放（MDS）可视化异化数据。
使用非类别多维缩放使用mdscale.。
促进分析
Procrustes分析最大限度地减少了使用最佳形状保护的欧几里德转换比较地标数据之间的位置的差异。
使用Procrustes分析来比较两个手写的数字。
特色例子
您还可以从以下列表中选择一个网站：
