的gydF4y2BafsulaplaciangydF4y2Ba
函数使用拉普拉斯分数对特征进行排序gydF4y2Ba[1]gydF4y2Ba从最近的邻居那里得到的gydF4y2Ba相似度图gydF4y2Ba.gydF4y2Ba
fsulaplaciangydF4y2Ba
计算中的值gydF4y2Ba分数gydF4y2Ba
如下:gydF4y2Ba
对于每个数据点gydF4y2BaXgydF4y2Ba
,使用最近邻法定义局部邻域,并求成对距离gydF4y2Ba
对所有点gydF4y2Ba我gydF4y2Ba和gydF4y2BajgydF4y2Ba在附近。gydF4y2Ba
将距离转换为gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba使用核变换gydF4y2Ba
,在那里gydF4y2BaσgydF4y2Ba内核的比例因子是否如指定的gydF4y2Ba“KernelScale”gydF4y2Ba
名称-值对的论点。gydF4y2Ba
通过去除每个特征的平均值使其居中。gydF4y2Ba
在哪里gydF4y2BaxgydF4y2BargydF4y2Ba是gydF4y2BargydF4y2Bath特性,gydF4y2BaDgydF4y2BaggydF4y2Ba是gydF4y2Ba度矩阵gydF4y2Ba,gydF4y2Ba
.gydF4y2Ba
计算分数gydF4y2Ba年代gydF4y2BargydF4y2Ba为每个特性。gydF4y2Ba
请注意,gydF4y2Ba[1]gydF4y2Ba定义拉普拉斯分数为gydF4y2Ba
在哪里gydF4y2BalgydF4y2Ba是gydF4y2Ba拉普拉斯算子的矩阵gydF4y2Ba的区别gydF4y2BaDgydF4y2BaggydF4y2Ba和gydF4y2Ba年代gydF4y2Ba.的gydF4y2BafsulaplaciangydF4y2Ba
函数仅使用该方程的第二项来表示的得分值gydF4y2Ba分数gydF4y2Ba
因此,一个大的分数值表明一个重要的特征。gydF4y2Ba
使用拉普拉斯分数选择特征与最小化值是一致的gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba红外gydF4y2Ba代表了gydF4y2Ba我gydF4y2Ba观测gydF4y2BargydF4y2Bath特性。最小化这个值意味着算法更倾向于具有较大方差的特征。同时,算法假设一个重要特征的两个数据点是相近的,当且仅当相似图中两个数据点之间有一条边。gydF4y2Ba