fsulaplaciangydF4y2Ba

使用拉普拉斯分数的无监督学习的排名特征gydF4y2Ba

语法gydF4y2Ba

idx = fsulaplacian (X)gydF4y2Ba

idx = fsulaplacian (X、名称、值)gydF4y2Ba

[idx,分数]= fsulaplacian (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

idxgydF4y2Ba= fsulaplacian (gydF4y2BaXgydF4y2Ba）gydF4y2Ba列特征(变量)在gydF4y2BaXgydF4y2Ba使用gydF4y2Ba拉普拉斯算子的分数gydF4y2Ba．函数返回gydF4y2BaidxgydF4y2Ba，它包含按特征重要性排序的特征指数。您可以使用gydF4y2BaidxgydF4y2Ba为无监督学习选择重要特征。gydF4y2Ba

例子gydF4y2Ba

idxgydF4y2Ba= fsulaplacian (gydF4y2BaXgydF4y2Ba，gydF4y2Ba名称,值gydF4y2Ba）gydF4y2Ba使用一个或多个名称-值对参数指定其他选项。例如，可以指定gydF4y2Ba“NumNeighbors”,10gydF4y2Ba创建一个gydF4y2Ba相似度图gydF4y2Ba使用10个最近的邻居。gydF4y2Ba

［gydF4y2BaidxgydF4y2Ba，gydF4y2Ba分数gydF4y2Ba) = fsulaplacian (gydF4y2Ba＿＿＿gydF4y2Ba）gydF4y2Ba也返回功能得分gydF4y2Ba分数gydF4y2Ba，使用前面语法中的任何输入参数组合。评分值越大，说明对应的特征是重要的。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

按重要性对特征进行排序gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

负载gydF4y2Ba电离层gydF4y2Ba

根据重要性对功能进行排序。gydF4y2Ba

[idx,分数]= fsulaplacian (X);gydF4y2Ba

创建功能重要性分数的条形图。gydF4y2Ba

栏(分数(idx))包含(gydF4y2Ba“功能等级”gydF4y2Ba) ylabel (gydF4y2Ba“功能重要性分数”gydF4y2Ba）gydF4y2Ba

图中包含一个坐标轴。坐标轴包含bar类型的对象。gydF4y2Ba

选择最重要的五个功能。中找到这些特性的列gydF4y2BaXgydF4y2Ba．gydF4y2Ba

idx (1:5)gydF4y2Ba

ans =gydF4y2Ba1×5gydF4y2Ba15 13 17 21 19gydF4y2Ba

第15列gydF4y2BaXgydF4y2Ba是最重要的特征。gydF4y2Ba

使用指定相似度矩阵排序特征gydF4y2Ba

打开生活的脚本gydF4y2Ba

从Fisher的虹膜数据集计算一个相似矩阵，并使用相似矩阵对特征进行排序。gydF4y2Ba

载入费雪的虹膜数据集。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2Ba

找出每对观测之间的距离gydF4y2Ba量gydF4y2Ba通过使用gydF4y2BapdistgydF4y2Ba和gydF4y2BasquareformgydF4y2Ba函数具有默认的欧式距离度量。gydF4y2Ba

D = pdist(量);Z = squareform (D);gydF4y2Ba

构造相似矩阵并确认其对称。gydF4y2Ba

S = exp (- z ^ 2);issymmetric (S)gydF4y2Ba

ans =gydF4y2Ba逻辑gydF4y2Ba1gydF4y2Ba

排名的功能。gydF4y2Ba

idx = fsulaplacian(量,gydF4y2Ba“相似”gydF4y2Ba,年代)gydF4y2Ba

idx =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba

使用相似度矩阵排序gydF4y2Ba年代gydF4y2Ba是否与指定排序相同gydF4y2Ba“NumNeighbors”gydF4y2Ba作为gydF4y2Ba尺寸(量,1)gydF4y2Ba．gydF4y2Ba

idx2 = fsulaplacian(量,gydF4y2Ba“NumNeighbors”gydF4y2Ba、尺寸(量,1))gydF4y2Ba

idx2 =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba

输入参数gydF4y2Ba

全部折叠gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
数字矩阵gydF4y2Ba

输入数据，指定为gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵。的行gydF4y2BaXgydF4y2Ba对应观察值(或点)，列对应特征。gydF4y2Ba

该软件将gydF4y2Ba南gydF4y2Ba年代gydF4y2BaXgydF4y2Ba表示丢失的数据，并忽略gydF4y2BaXgydF4y2Ba包含至少一个gydF4y2Ba南gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名称-值对的观点gydF4y2Ba

指定可选的逗号分隔的对gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名和gydF4y2Ba价值gydF4y2Ba为对应值。gydF4y2Ba的名字gydF4y2Ba必须出现在引号内。可以以任意顺序指定多个名称和值对参数gydF4y2BaName1, Value1,…,的家gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“NumNeighbors”10“KernelScale”、“汽车”gydF4y2Ba指定最近邻数为10，核比例因子为gydF4y2Ba“汽车”gydF4y2Ba．gydF4y2Ba

`“相似”gydF4y2Ba`- - - - - -gydF4y2Ba相似度矩阵gydF4y2Ba
`［］gydF4y2Ba`(空矩阵)gydF4y2Ba(默认)|gydF4y2Ba对称矩阵gydF4y2Ba

相似性矩阵，指定为逗号分隔对，由gydF4y2Ba“相似”gydF4y2Ba和一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba对称矩阵,gydF4y2BangydF4y2Ba为观察次数。相似性矩阵(或邻接矩阵)通过建模数据点之间的局部邻域关系来表示输入数据。相似性矩阵中的值表示在a中连接的节点(数据点)之间的边(或连接)gydF4y2Ba相似度图gydF4y2Ba．有关更多信息，请参见gydF4y2Ba相似度矩阵gydF4y2Ba．gydF4y2Ba

如果指定gydF4y2Ba“相似”gydF4y2Ba值，则不能指定任何其他名称-值对参数。如果不指定gydF4y2Ba“相似”gydF4y2Ba值，然后软件使用其他名称-值对参数指定的选项计算一个相似矩阵。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“距离”gydF4y2Ba`- - - - - -gydF4y2Ba距离度量gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba字符串标量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba

距离度量，指定为逗号分隔对，由gydF4y2Ba“距离”gydF4y2Ba以及字符向量、字符串标量或函数句柄，如本表所述。gydF4y2Ba

价值gydF4y2Ba	描述gydF4y2Ba
`“欧几里得”gydF4y2Ba`	欧氏距离(默认)gydF4y2Ba
`“seuclidean”gydF4y2Ba`	标准化的欧氏距离。观测值之间的每个坐标差通过除以由此计算的标准偏差的相应元素来缩放gydF4y2Ba`XgydF4y2Ba`．使用gydF4y2Ba`规模gydF4y2Ba`参数名-值对指定不同的缩放因子。gydF4y2Ba
`“mahalanobis”gydF4y2Ba`	马氏距离的样本协方差gydF4y2Ba`XgydF4y2Ba`，gydF4y2Ba`C = X (X, omitrows)gydF4y2Ba`．使用gydF4y2Ba`浸gydF4y2Ba`名称-值对参数指定不同的协方差矩阵。gydF4y2Ba
`“cityblock”gydF4y2Ba`	城市街区的距离gydF4y2Ba
`闵可夫斯基的gydF4y2Ba`	闵可夫斯基距离。默认指数是2。使用gydF4y2Ba`PgydF4y2Ba`名称-值对参数指定不同的指数，其中gydF4y2Ba`PgydF4y2Ba`为正标量值。gydF4y2Ba
`“chebychev”gydF4y2Ba`	切比切夫距离(最大坐标差)gydF4y2Ba
`的余弦gydF4y2Ba`	1减去观测值之间夹角的余弦值(作为矢量处理)gydF4y2Ba
`“相关”gydF4y2Ba`	1减去观察值之间的样本相关性(作为值的序列处理)gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明距离，是坐标差的百分比gydF4y2Ba
`“jaccard”gydF4y2Ba`	1减去雅卡尔系数，雅卡尔系数是不同的非零坐标的百分比gydF4y2Ba
`“枪兵”gydF4y2Ba`	1减去观察值之间的样本斯皮尔曼等级相关性(作为值的序列处理)gydF4y2Ba
`＠gydF4y2BadistfungydF4y2Ba`	自定义距离功能手柄。距离函数有这样的形式gydF4y2Ba 函数gydF4y2BaZJ D2 = distfun(子)gydF4y2Ba距离计算%gydF4y2Ba．..gydF4y2Ba 在哪里gydF4y2Ba `子gydF4y2Ba`是一个gydF4y2Ba`1gydF4y2Ba`——- - - - - -gydF4y2Ba`ngydF4y2Ba`包含单个观测值的向量。gydF4y2Ba `ZJgydF4y2Ba`是一个gydF4y2Ba`平方米gydF4y2Ba`——- - - - - -gydF4y2Ba`ngydF4y2Ba`包含多个观测值的矩阵。gydF4y2Ba`distfungydF4y2Ba`必须接受矩阵gydF4y2Ba`ZJgydF4y2Ba`有任意数量的观测结果。gydF4y2Ba `D2gydF4y2Ba`是一个gydF4y2Ba`平方米gydF4y2Ba`——- - - - - -gydF4y2Ba`1gydF4y2Ba`距离向量gydF4y2Ba`D2 (k)gydF4y2Ba`观察距离是多少gydF4y2Ba`子gydF4y2Ba`和gydF4y2Ba`ZJ (k,:)gydF4y2Ba`．gydF4y2Ba 如果数据不是稀疏的，通常可以使用内置距离而不是函数句柄更快地计算距离。gydF4y2Ba

有关更多信息，请参见gydF4y2Ba距离度量gydF4y2Ba．gydF4y2Ba

当你使用gydF4y2Ba“seuclidean”gydF4y2Ba，gydF4y2Ba闵可夫斯基的gydF4y2Ba,或gydF4y2Ba“mahalanobis”gydF4y2Ba距离度量，您可以指定附加的名称-值对参数gydF4y2Ba“规模”gydF4y2Ba，gydF4y2Ba“P”gydF4y2Ba,或gydF4y2Ba“浸”gydF4y2Ba，以控制距离度量。gydF4y2Ba

例子:gydF4y2Ba“距离”、“闵可夫斯基”,“P”3gydF4y2Ba指定使用指数为的闵可夫斯基距离度量gydF4y2Ba3.gydF4y2Ba．gydF4y2Ba

`“P”gydF4y2Ba`- - - - - -gydF4y2Ba闵可夫斯基距离度量的指数gydF4y2Ba
`2gydF4y2Ba`(默认)|gydF4y2Ba积极的标量gydF4y2Ba

闵可夫斯基距离度量的指数，指定为逗号分隔对，由gydF4y2Ba“P”gydF4y2Ba一个正标量。gydF4y2Ba

此参数仅当gydF4y2Ba“距离”gydF4y2Ba是gydF4y2Ba闵可夫斯基的gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“P”3gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“浸”gydF4y2Ba`- - - - - -gydF4y2Ba马氏距离度量的协方差矩阵gydF4y2Ba
`X (X, omitrows)gydF4y2Ba`(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

马氏距离度量的协方差矩阵，指定为逗号分隔对，由gydF4y2Ba“浸”gydF4y2Ba一个正定矩阵。gydF4y2Ba

此参数仅当gydF4y2Ba“距离”gydF4y2Ba是gydF4y2Ba“mahalanobis”gydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“浸”,眼睛(4)gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“规模”gydF4y2Ba`- - - - - -gydF4y2Ba标准欧几里得距离度量的比例因子gydF4y2Ba
`性病(X, omitnan)gydF4y2Ba`(默认)|gydF4y2Ba非负值的数值向量gydF4y2Ba

标准欧几里得距离度量的缩放因子，指定为逗号分隔对组成gydF4y2Ba“规模”gydF4y2Ba和一个非负值的数值向量。gydF4y2Ba

规模gydF4y2Ba长度gydF4y2BapgydF4y2Ba(列的数目gydF4y2BaXgydF4y2Ba)，因为每个维度(列)gydF4y2BaXgydF4y2Ba在?中有相应的值gydF4y2Ba规模gydF4y2Ba．对于每个维度gydF4y2BaXgydF4y2Ba，gydF4y2BafsulaplaciangydF4y2Ba使用中对应的值gydF4y2Ba规模gydF4y2Ba使观察结果之间的差异标准化。gydF4y2Ba

此参数仅当gydF4y2Ba“距离”gydF4y2Ba是gydF4y2Ba“seuclidean”gydF4y2Ba．gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“NumNeighbors”gydF4y2Ba`- - - - - -gydF4y2Ba最近邻数gydF4y2Ba
`日志(大小(X, 1))gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

用来构造相似图的最近邻的数目，指定为逗号分隔对组成gydF4y2Ba“NumNeighbors”gydF4y2Ba一个正整数。gydF4y2Ba

例子:gydF4y2Ba“NumNeighbors”,10gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`“KernelScale”gydF4y2Ba`- - - - - -gydF4y2Ba比例因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba`“汽车”gydF4y2Ba`|gydF4y2Ba积极的标量gydF4y2Ba

内核的比例因子，指定为逗号分隔对，由gydF4y2Ba“KernelScale”gydF4y2Ba和gydF4y2Ba“汽车”gydF4y2Ba或者一个正标量。该软件使用比例因子将距离转换为相似性度量。有关更多信息，请参见gydF4y2Ba相似度图gydF4y2Ba．gydF4y2Ba

的gydF4y2Ba“汽车”gydF4y2Ba选项仅支持金宝appgydF4y2Ba“欧几里得”gydF4y2Ba和gydF4y2Ba“seuclidean”gydF4y2Ba距离度量。gydF4y2Ba
如果您指定gydF4y2Ba“汽车”gydF4y2Ba，采用启发式方法选择合适的比例因子。这个启发式过程使用子抽样，因此估计值可能因调用而异。要复制结果，使用随机数种子gydF4y2BarnggydF4y2Ba在调用之前gydF4y2BafsulaplaciangydF4y2Ba．gydF4y2Ba

例子:gydF4y2Ba“KernelScale”、“汽车”gydF4y2Ba

输出参数gydF4y2Ba

全部折叠gydF4y2Ba

`idxgydF4y2Ba`-按特征重要性排序的特征指数gydF4y2Ba
数值向量gydF4y2Ba

中特征的指数gydF4y2BaXgydF4y2Ba按特性重要性排序，返回为数字向量。例如,如果gydF4y2Baidx (3)gydF4y2Ba是gydF4y2Ba5gydF4y2Ba，第三个最重要的特征是第五列gydF4y2BaXgydF4y2Ba．gydF4y2Ba

`分数gydF4y2Ba`——功能得分gydF4y2Ba
数值向量gydF4y2Ba

特征值，作为数字向量返回。一个很大的分数值gydF4y2Ba分数gydF4y2Ba表示对应的特性是重要的。中的值gydF4y2Ba分数gydF4y2Ba有相同的顺序的功能gydF4y2BaXgydF4y2Ba．gydF4y2Ba

算法gydF4y2Ba

全部折叠gydF4y2Ba

拉普拉斯算子的分数gydF4y2Ba

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 $DgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba {tgydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba}$ 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 ${年代gydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba {（gydF4y2Ba \frac{DgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba {tgydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba}}{σgydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ ,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

${\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba} ＝gydF4y2Ba {xgydF4y2Ba}_{rgydF4y2Ba} -gydF4y2Ba \frac{{xgydF4y2Ba}_{rgydF4y2Ba}^{TgydF4y2Ba} {DgydF4y2Ba}_{ggydF4y2Ba} 1gydF4y2Ba}{{1gydF4y2Ba}^{TgydF4y2Ba} {DgydF4y2Ba}_{ggydF4y2Ba} 1gydF4y2Ba} 1gydF4y2Ba ，gydF4y2Ba$

在哪里gydF4y2BaxgydF4y2Ba_rgydF4y2Ba是gydF4y2BargydF4y2Bath特性,gydF4y2BaDgydF4y2Ba_ggydF4y2Ba是gydF4y2Ba度矩阵gydF4y2Ba,gydF4y2Ba ${1gydF4y2Ba}^{TgydF4y2Ba} ＝gydF4y2Ba {［gydF4y2Ba 1gydF4y2Ba ，gydF4y2Ba \dotsgydF4y2Ba ，gydF4y2Ba 1gydF4y2Ba ］gydF4y2Ba}^{TgydF4y2Ba}$ ．gydF4y2Ba
计算分数gydF4y2Ba年代gydF4y2Ba_rgydF4y2Ba为每个特性。gydF4y2Ba

${年代gydF4y2Ba}_{rgydF4y2Ba} ＝gydF4y2Ba \frac{{\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}^{TgydF4y2Ba} 年代gydF4y2Ba {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}}{{\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}^{TgydF4y2Ba} {DgydF4y2Ba}_{ggydF4y2Ba} {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}} ．gydF4y2Ba$

请注意,gydF4y2Ba［１］gydF4y2Ba定义拉普拉斯分数为gydF4y2Ba

${lgydF4y2Ba}_{rgydF4y2Ba} ＝gydF4y2Ba \frac{{\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}^{TgydF4y2Ba} lgydF4y2Ba {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}}{{\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}^{TgydF4y2Ba} {DgydF4y2Ba}_{ggydF4y2Ba} {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}} ＝gydF4y2Ba 1gydF4y2Ba -gydF4y2Ba \frac{{\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}^{TgydF4y2Ba} 年代gydF4y2Ba {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}}{{\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}^{TgydF4y2Ba} {DgydF4y2Ba}_{ggydF4y2Ba} {\overset{˜gydF4y2Ba}{xgydF4y2Ba}}_{rgydF4y2Ba}} ，gydF4y2Ba$

在哪里gydF4y2BalgydF4y2Ba是gydF4y2Ba拉普拉斯算子的矩阵gydF4y2Ba的区别gydF4y2BaDgydF4y2Ba_ggydF4y2Ba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

$\frac{{\sumgydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba} {（gydF4y2Ba {xgydF4y2Ba}_{我gydF4y2Ba rgydF4y2Ba} -gydF4y2Ba {xgydF4y2Ba}_{jgydF4y2Ba rgydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} {年代gydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba}}{VgydF4y2Ba 一个gydF4y2Ba rgydF4y2Ba （gydF4y2Ba {xgydF4y2Ba}_{rgydF4y2Ba} ）gydF4y2Ba} ，gydF4y2Ba$

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

参考文献gydF4y2Ba

他，X.， D. Cai, P. Niyogi。"特征选择的拉普拉斯分值"gydF4y2Ba少量的程序。gydF4y2Ba2005.gydF4y2Ba

[2] Von Luxburg, U.《光谱聚类教程》gydF4y2Ba统计与计算杂志gydF4y2Ba．Vol.17, no . 4, 2007, pp. 395-416。gydF4y2Ba

另请参阅gydF4y2Ba

fscmrmrgydF4y2Ba|gydF4y2BarelieffgydF4y2Ba|gydF4y2BasequentialfsgydF4y2Ba

主题gydF4y2Ba

特征选择简介gydF4y2Ba

介绍了R2019bgydF4y2Ba

fsulaplaciangydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

按重要性对特征进行排序gydF4y2Ba

使用指定相似度矩阵排序特征gydF4y2Ba

输入参数gydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
数字矩阵gydF4y2Ba

名称-值对的观点gydF4y2Ba

`“相似”gydF4y2Ba`- - - - - -gydF4y2Ba相似度矩阵gydF4y2Ba
`［］gydF4y2Ba`(空矩阵)gydF4y2Ba(默认)|gydF4y2Ba对称矩阵gydF4y2Ba

`“距离”gydF4y2Ba`- - - - - -gydF4y2Ba距离度量gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba字符串标量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba

`“P”gydF4y2Ba`- - - - - -gydF4y2Ba闵可夫斯基距离度量的指数gydF4y2Ba
`2gydF4y2Ba`(默认)|gydF4y2Ba积极的标量gydF4y2Ba

`“浸”gydF4y2Ba`- - - - - -gydF4y2Ba马氏距离度量的协方差矩阵gydF4y2Ba
`X (X, omitrows)gydF4y2Ba`(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

`“规模”gydF4y2Ba`- - - - - -gydF4y2Ba标准欧几里得距离度量的比例因子gydF4y2Ba
`性病(X, omitnan)gydF4y2Ba`(默认)|gydF4y2Ba非负值的数值向量gydF4y2Ba

`“NumNeighbors”gydF4y2Ba`- - - - - -gydF4y2Ba最近邻数gydF4y2Ba
`日志(大小(X, 1))gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“KernelScale”gydF4y2Ba`- - - - - -gydF4y2Ba比例因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba`“汽车”gydF4y2Ba`|gydF4y2Ba积极的标量gydF4y2Ba

输出参数gydF4y2Ba

`idxgydF4y2Ba`-按特征重要性排序的特征指数gydF4y2Ba
数值向量gydF4y2Ba

`分数gydF4y2Ba`——功能得分gydF4y2Ba
数值向量gydF4y2Ba

更多关于gydF4y2Ba

相似度图gydF4y2Ba

相似度矩阵gydF4y2Ba

度矩阵gydF4y2Ba

拉普拉斯算子的矩阵gydF4y2Ba

算法gydF4y2Ba

拉普拉斯算子的分数gydF4y2Ba

参考文献gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

fsulaplaciangydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

按重要性对特征进行排序gydF4y2Ba

使用指定相似度矩阵排序特征gydF4y2Ba

输入参数gydF4y2Ba

XgydF4y2Ba- - - - - -gydF4y2Ba输入数据gydF4y2Ba数字矩阵gydF4y2Ba

名称-值对的观点gydF4y2Ba

“相似”gydF4y2Ba- - - - - -gydF4y2Ba相似度矩阵gydF4y2Ba［］gydF4y2Ba(空矩阵)gydF4y2Ba(默认)|gydF4y2Ba对称矩阵gydF4y2Ba

“距离”gydF4y2Ba- - - - - -gydF4y2Ba距离度量gydF4y2Ba特征向量gydF4y2Ba|gydF4y2Ba字符串标量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba

“P”gydF4y2Ba- - - - - -gydF4y2Ba闵可夫斯基距离度量的指数gydF4y2Ba2gydF4y2Ba(默认)|gydF4y2Ba积极的标量gydF4y2Ba

“浸”gydF4y2Ba- - - - - -gydF4y2Ba马氏距离度量的协方差矩阵gydF4y2BaX (X, omitrows)gydF4y2Ba(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

“规模”gydF4y2Ba- - - - - -gydF4y2Ba标准欧几里得距离度量的比例因子gydF4y2Ba性病(X, omitnan)gydF4y2Ba(默认)|gydF4y2Ba非负值的数值向量gydF4y2Ba

“NumNeighbors”gydF4y2Ba- - - - - -gydF4y2Ba最近邻数gydF4y2Ba日志(大小(X, 1))gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

“KernelScale”gydF4y2Ba- - - - - -gydF4y2Ba比例因子gydF4y2Ba1gydF4y2Ba(默认)|gydF4y2Ba“汽车”gydF4y2Ba|gydF4y2Ba积极的标量gydF4y2Ba

输出参数gydF4y2Ba

idxgydF4y2Ba-按特征重要性排序的特征指数gydF4y2Ba数值向量gydF4y2Ba

分数gydF4y2Ba——功能得分gydF4y2Ba数值向量gydF4y2Ba

更多关于gydF4y2Ba

相似度图gydF4y2Ba

相似度矩阵gydF4y2Ba

度矩阵gydF4y2Ba

拉普拉斯算子的矩阵gydF4y2Ba

算法gydF4y2Ba

拉普拉斯算子的分数gydF4y2Ba

参考文献gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

统计和机器学习工具箱文档gydF4y2Ba

金宝app

掌握机器学习:一步一步的指导与MATLABgydF4y2Ba

`XgydF4y2Ba`- - - - - -gydF4y2Ba输入数据gydF4y2Ba
数字矩阵gydF4y2Ba

`“相似”gydF4y2Ba`- - - - - -gydF4y2Ba相似度矩阵gydF4y2Ba
`［］gydF4y2Ba`(空矩阵)gydF4y2Ba(默认)|gydF4y2Ba对称矩阵gydF4y2Ba

`“距离”gydF4y2Ba`- - - - - -gydF4y2Ba距离度量gydF4y2Ba
特征向量gydF4y2Ba|gydF4y2Ba字符串标量gydF4y2Ba|gydF4y2Ba函数处理gydF4y2Ba

`“P”gydF4y2Ba`- - - - - -gydF4y2Ba闵可夫斯基距离度量的指数gydF4y2Ba
`2gydF4y2Ba`(默认)|gydF4y2Ba积极的标量gydF4y2Ba

`“浸”gydF4y2Ba`- - - - - -gydF4y2Ba马氏距离度量的协方差矩阵gydF4y2Ba
`X (X, omitrows)gydF4y2Ba`(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

`“规模”gydF4y2Ba`- - - - - -gydF4y2Ba标准欧几里得距离度量的比例因子gydF4y2Ba
`性病(X, omitnan)gydF4y2Ba`(默认)|gydF4y2Ba非负值的数值向量gydF4y2Ba

`“NumNeighbors”gydF4y2Ba`- - - - - -gydF4y2Ba最近邻数gydF4y2Ba
`日志(大小(X, 1))gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`“KernelScale”gydF4y2Ba`- - - - - -gydF4y2Ba比例因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba`“汽车”gydF4y2Ba`|gydF4y2Ba积极的标量gydF4y2Ba

`idxgydF4y2Ba`-按特征重要性排序的特征指数gydF4y2Ba
数值向量gydF4y2Ba

`分数gydF4y2Ba`——功能得分gydF4y2Ba
数值向量gydF4y2Ba