fsulaplaciangydF4y2Ba

使用拉普拉斯算子的分数等级特性无监督学习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排名(变量)的特性gydF4y2BaXgydF4y2Ba使用gydF4y2Ba拉普拉斯算子的分数gydF4y2Ba。函数返回gydF4y2BaidxgydF4y2Ba,其中包含功能命令功能重要性的指标。您可以使用gydF4y2BaidxgydF4y2Ba选择无监督学习的重要特征。gydF4y2Ba

例子gydF4y2Ba

idxgydF4y2Ba= fsulaplacian (gydF4y2BaXgydF4y2Ba,gydF4y2Ba名称,值gydF4y2Ba)gydF4y2Ba使用一个或多个指定附加选项名称-值对参数。例如,您可以指定gydF4y2Ba“NumNeighbors”, 10gydF4y2Ba创建一个gydF4y2Ba相似度图gydF4y2Ba使用10最近的邻居。gydF4y2Ba

(gydF4y2BaidxgydF4y2Ba,gydF4y2Ba分数gydF4y2Ba)= fsulaplacian (gydF4y2Ba___gydF4y2Ba)gydF4y2Ba分数也返回功能gydF4y2Ba分数gydF4y2Ba,使用任何输入参数组合在前面的语法。大的得分值表明,相应的功能是很重要的。gydF4y2Ba

例子gydF4y2Ba

全部折叠gydF4y2Ba

等级特征的重要性gydF4y2Ba

打开生活的脚本gydF4y2Ba

加载示例数据。gydF4y2Ba

负载gydF4y2Ba电离层gydF4y2Ba

基于重要性等级的特性。gydF4y2Ba

[idx,分数]= fsulaplacian (X);gydF4y2Ba

创建一个酒吧的情节功能重要性分数。gydF4y2Ba

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

图包含一个坐标轴对象。坐标轴对象包含一个对象类型的酒吧。gydF4y2Ba

选择五大最重要的功能。找到这些特性的列gydF4y2BaXgydF4y2Ba。gydF4y2Ba

idx (1:5)gydF4y2Ba

ans =gydF4y2Ba1×5gydF4y2Ba15 13日17日21日19日gydF4y2Ba

的15列gydF4y2BaXgydF4y2Ba是最重要的特性。gydF4y2Ba

使用指定的相似矩阵秩特性gydF4y2Ba

打开生活的脚本gydF4y2Ba

计算相似度矩阵从费雪的虹膜数据集和等级使用相似矩阵的特性。gydF4y2Ba

加载费雪的虹膜数据集。gydF4y2Ba

负载gydF4y2BafisheririsgydF4y2Ba

找到观察的每一对之间的距离gydF4y2Ba量gydF4y2Ba通过使用gydF4y2BapdistgydF4y2Ba和gydF4y2BasquareformgydF4y2Ba函数使用默认的欧氏距离度量。gydF4y2Ba

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

构造相似度矩阵并确认它是对称的。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

排名使用相似矩阵gydF4y2Ba年代gydF4y2Ba是一样的排名通过指定吗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,指定为一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵。的行gydF4y2BaXgydF4y2Ba对应于观测(点),列对应功能。gydF4y2Ba

该软件将gydF4y2Ba南gydF4y2Ba年代gydF4y2BaXgydF4y2Ba缺失的数据,忽略任何行gydF4y2BaXgydF4y2Ba包含至少一个gydF4y2Ba南gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

名称-值参数gydF4y2Ba

指定可选的逗号分隔条gydF4y2Ba名称,值gydF4y2Ba参数。gydF4y2Ba的名字gydF4y2Ba参数名称和吗gydF4y2Ba价值gydF4y2Ba相应的价值。gydF4y2Ba的名字gydF4y2Ba必须出现在引号。您可以指定几个名称和值对参数在任何顺序gydF4y2BaName1, Value1,…,的家gydF4y2Ba。gydF4y2Ba

例子:gydF4y2Ba“NumNeighbors”10“KernelScale”、“汽车”gydF4y2Ba最近的邻居10指定的数量和内核比例因子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

相似矩阵,指定为逗号分隔组成的gydF4y2Ba“相似”gydF4y2Ba和一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba对称矩阵,gydF4y2BangydF4y2Ba是观测的数量。相似矩阵(或邻接矩阵)代表输入数据的建模附近的数据点之间的关系。相似矩阵中的值表示节点之间的边(或连接)(数据点)的连接gydF4y2Ba相似度图gydF4y2Ba。有关更多信息,请参见gydF4y2Ba相似度矩阵gydF4y2Ba。gydF4y2Ba

如果你指定gydF4y2Ba“相似”gydF4y2Ba值,那么你不能指定其他名称-值对的论点。如果你不指定gydF4y2Ba“相似”gydF4y2Ba值,那么软件计算相似矩阵使用指定的其他名称-值对参数的选项。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,指定为逗号分隔组成的gydF4y2Ba“距离”gydF4y2Ba和一个特征向量,字符串标量或函数处理,如这个表所述。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。观察每个坐标区别是通过除以相应的扩展元素的标准差计算gydF4y2Ba`XgydF4y2Ba`。使用gydF4y2Ba`规模gydF4y2Ba`名称-值对参数来指定一个不同的比例因子。gydF4y2Ba
`“mahalanobis”gydF4y2Ba`	而使用的样本协方差距离gydF4y2Ba`XgydF4y2Ba`,gydF4y2Ba`C = X (X, omitrows)gydF4y2Ba`。使用gydF4y2Ba`浸gydF4y2Ba`名称-值对参数来指定一个不同的协方差矩阵。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。默认的指数是2。使用gydF4y2Ba`PgydF4y2Ba`名称-值对参数来指定一个不同的指数,gydF4y2Ba`PgydF4y2Ba`是一个积极的标量值。gydF4y2Ba
`“chebychev”gydF4y2Ba`	Chebychev距离(最大坐标差异)gydF4y2Ba
`的余弦gydF4y2Ba`	1 -之间的夹角的余弦值观察(视为向量)gydF4y2Ba
`“相关”gydF4y2Ba`	1 -样本之间的相关性观察(视为序列值)gydF4y2Ba
`“汉明”gydF4y2Ba`	汉明距离,协调不同的百分比gydF4y2Ba
`“jaccard”gydF4y2Ba`	1 - Jaccard系数,非零坐标不同的百分比gydF4y2Ba
`“枪兵”gydF4y2Ba`	1 -样本之间的斯皮尔曼等级相关的观察(视为序列值)gydF4y2Ba
`@gydF4y2BadistfungydF4y2Ba`	自定义距离函数处理。距离函数的形式gydF4y2Ba 函数gydF4y2BaZJ D2 = distfun(子)gydF4y2Ba%计算距离gydF4y2Ba…gydF4y2Ba 在哪里gydF4y2Ba `子gydF4y2Ba`是一个gydF4y2Ba`1gydF4y2Ba`——- - - - - -gydF4y2Ba`ngydF4y2Ba`向量包含一个观察。gydF4y2Ba `ZJgydF4y2Ba`是一个gydF4y2Ba`平方米gydF4y2Ba`——- - - - - -gydF4y2Ba`ngydF4y2Ba`包含多个观测矩阵。gydF4y2Ba`distfungydF4y2Ba`必须接受一个矩阵gydF4y2Ba`ZJgydF4y2Ba`与任意数量的观察。gydF4y2Ba `D2gydF4y2Ba`是一个gydF4y2Ba`平方米gydF4y2Ba`——- - - - - -gydF4y2Ba`1gydF4y2Ba`距离向量,gydF4y2Ba`D2 (k)gydF4y2Ba`是观察之间的距离gydF4y2Ba`子gydF4y2Ba`和gydF4y2Ba`ZJ (k,:)gydF4y2Ba`。gydF4y2Ba 如果你的数据不是稀疏的,你可以通过使用一个内置的通常更快的计算距离的距离而不是一个函数处理。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,您可以指定额外的名称-值对的论点gydF4y2Ba“规模”gydF4y2Ba,gydF4y2Ba“P”gydF4y2Ba,或gydF4y2Ba“浸”gydF4y2Ba分别控制的距离度量。gydF4y2Ba

例子:gydF4y2Ba“距离”、“闵可夫斯基”,“P”3gydF4y2Ba指定使用闵可夫斯基距离度量的指数gydF4y2Ba3gydF4y2Ba。gydF4y2Ba

`PgydF4y2Ba`- - - - - -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指数,指定为逗号分隔组成的gydF4y2Ba“P”gydF4y2Ba和积极的标量。gydF4y2Ba

这个论点是有效的前提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协方差矩阵的距离度量gydF4y2Ba
`X (X, omitrows)gydF4y2Ba`(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

协方差矩阵的Mahalanobis距离度量,指定为逗号分隔组成的gydF4y2Ba“浸”gydF4y2Ba和一个正定矩阵。gydF4y2Ba

这个论点是有效的前提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缩放因子标准化的欧氏距离度量gydF4y2Ba
`性病(X, omitnan)gydF4y2Ba`(默认)|gydF4y2Ba数值向量的非负价值gydF4y2Ba

比例因子标准化的欧氏距离度量,指定为逗号分隔组成的gydF4y2Ba“规模”gydF4y2Ba和非负数字矢量值。gydF4y2Ba

规模gydF4y2Ba长度gydF4y2BapgydF4y2Ba(列的数量gydF4y2BaXgydF4y2Ba),因为每个维度(列)gydF4y2BaXgydF4y2Ba有相应的价值gydF4y2Ba规模gydF4y2Ba。每个维度的gydF4y2BaXgydF4y2Ba,gydF4y2BafsulaplaciangydF4y2Ba使用相应的价值gydF4y2Ba规模gydF4y2Ba标准化的观察之间的区别。gydF4y2Ba

这个论点是有效的前提gydF4y2Ba“距离”gydF4y2Ba是gydF4y2Ba“seuclidean”gydF4y2Ba。gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`NumNeighborsgydF4y2Ba`- - - - - -gydF4y2Ba许多最近的邻居gydF4y2Ba
`日志(大小(X, 1))gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

最近的邻居数量用于构造相似图,指定为逗号分隔组成的gydF4y2Ba“NumNeighbors”gydF4y2Ba和一个正整数。gydF4y2Ba

例子:gydF4y2Ba“NumNeighbors”, 10gydF4y2Ba

数据类型:gydF4y2Ba单gydF4y2Ba|gydF4y2Ba双gydF4y2Ba

`KernelScalegydF4y2Ba`- - - - - -gydF4y2Ba比例因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba`“汽车”gydF4y2Ba`|gydF4y2Ba积极的标量gydF4y2Ba

比例因子为内核,指定为逗号分隔组成的gydF4y2Ba“KernelScale”gydF4y2Ba和gydF4y2Ba“汽车”gydF4y2Ba或积极的标量。软件使用比例因子变换距离相似性措施。有关更多信息,请参见gydF4y2Ba相似度图gydF4y2Ba。gydF4y2Ba

的gydF4y2Ba“汽车”gydF4y2Ba选择是支持的金宝appgydF4y2Ba“欧几里得”gydF4y2Ba和gydF4y2Ba“seuclidean”gydF4y2Ba距离度量。gydF4y2Ba
如果您指定gydF4y2Ba“汽车”gydF4y2Ba,那么软件使用启发式程序选择合适的比例因子。这种启发式程序使用二次抽样,所以估计可以改变从一个调用到另一个。复制的结果,设置一个随机数种子使用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`——功能命令功能重要性的指标gydF4y2Ba
数值向量gydF4y2Ba

指数的功能gydF4y2BaXgydF4y2Ba命令功能的重要性,作为一个数值向量返回。例如,如果gydF4y2Baidx (3)gydF4y2Ba是gydF4y2Ba5gydF4y2Ba,然后第三个最重要的特性是第五纵队gydF4y2BaXgydF4y2Ba。gydF4y2Ba

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

功能评分,作为一个数值向量返回。大的得分值gydF4y2Ba分数gydF4y2Ba显示相应的功能是很重要的。中的值gydF4y2Ba分数gydF4y2Ba有相同的订单功能吗gydF4y2BaXgydF4y2Ba。gydF4y2Ba

算法gydF4y2Ba

全部折叠gydF4y2Ba

拉普拉斯算子的分数gydF4y2Ba

的gydF4y2BafsulaplaciangydF4y2Ba函数使用拉普拉斯算子的分数排名功能gydF4y2Ba[1]gydF4y2Ba从最近的邻居gydF4y2Ba相似度图gydF4y2Ba。gydF4y2Ba

fsulaplaciangydF4y2Ba计算的值gydF4y2Ba分数gydF4y2Ba如下:gydF4y2Ba

为每个数据点gydF4y2BaXgydF4y2Ba使用最近邻方法,定义一个本地社区,并找到成对的距离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
转换的距离gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba使用内核转换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是内核的比例因子是指定的吗gydF4y2Ba“KernelScale”gydF4y2Ba名称-值对的论点。gydF4y2Ba
中心每个特性通过移除它的意思。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定义了拉普拉斯算分数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,定义为之间的区别gydF4y2BaDgydF4y2Ba_ggydF4y2Ba和gydF4y2Ba年代gydF4y2Ba。的gydF4y2BafsulaplaciangydF4y2Ba函数方程只使用第二项的得分值gydF4y2Ba分数gydF4y2Ba这样大的得分值表示一个重要特征。gydF4y2Ba

使用拉普拉斯算子的选择功能评分与减少价值是一致的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gydF4y2Bath的观察gydF4y2BargydF4y2Bath特性。最小化这个值意味着算法更喜欢大方差的特性。同时,算法假定两个数据点的一个重要特性接近当且仅当两个数据之间的相似度图有一个边缘点。gydF4y2Ba

引用gydF4y2Ba

他[1],X。,D。Cai, and P. Niyogi. "Laplacian Score for Feature Selection."少量的程序。gydF4y2Ba2005年。gydF4y2Ba

[2]·冯·Luxburg,“关于谱聚类的教程”。gydF4y2Ba统计和计算杂志gydF4y2Ba。Vol.17,数字4,2007年,页395 - 416。gydF4y2Ba

另请参阅gydF4y2Ba

fscmrmrgydF4y2Ba|gydF4y2BarelieffgydF4y2Ba|gydF4y2BasequentialfsgydF4y2Ba

主题gydF4y2Ba

介绍了特征选择gydF4y2Ba

介绍了R2019bgydF4y2Ba

fsulaplaciangydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

等级特征的重要性gydF4y2Ba

使用指定的相似矩阵秩特性gydF4y2Ba

输入参数gydF4y2Ba

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

名称-值参数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

`PgydF4y2Ba`- - - - - -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协方差矩阵的距离度量gydF4y2Ba
`X (X, omitrows)gydF4y2Ba`(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

`规模gydF4y2Ba`- - - - - -gydF4y2Ba缩放因子标准化的欧氏距离度量gydF4y2Ba
`性病(X, omitnan)gydF4y2Ba`(默认)|gydF4y2Ba数值向量的非负价值gydF4y2Ba

`NumNeighborsgydF4y2Ba`- - - - - -gydF4y2Ba许多最近的邻居gydF4y2Ba
`日志(大小(X, 1))gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`KernelScalegydF4y2Ba`- - - - - -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`——功能命令功能重要性的指标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

引用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:一个循序渐进的指导与MATLABgydF4y2Ba

fsulaplaciangydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

等级特征的重要性gydF4y2Ba

使用指定的相似矩阵秩特性gydF4y2Ba

输入参数gydF4y2Ba

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

名称-值参数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

PgydF4y2Ba- - - - - -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协方差矩阵的距离度量gydF4y2BaX (X, omitrows)gydF4y2Ba(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

规模gydF4y2Ba- - - - - -gydF4y2Ba缩放因子标准化的欧氏距离度量gydF4y2Ba性病(X, omitnan)gydF4y2Ba(默认)|gydF4y2Ba数值向量的非负价值gydF4y2Ba

NumNeighborsgydF4y2Ba- - - - - -gydF4y2Ba许多最近的邻居gydF4y2Ba日志(大小(X, 1))gydF4y2Ba(默认)|gydF4y2Ba正整数gydF4y2Ba

KernelScalegydF4y2Ba- - - - - -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——功能命令功能重要性的指标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

引用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:一个循序渐进的指导与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

`PgydF4y2Ba`- - - - - -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协方差矩阵的距离度量gydF4y2Ba
`X (X, omitrows)gydF4y2Ba`(默认)|gydF4y2Ba正定矩阵gydF4y2Ba

`规模gydF4y2Ba`- - - - - -gydF4y2Ba缩放因子标准化的欧氏距离度量gydF4y2Ba
`性病(X, omitnan)gydF4y2Ba`(默认)|gydF4y2Ba数值向量的非负价值gydF4y2Ba

`NumNeighborsgydF4y2Ba`- - - - - -gydF4y2Ba许多最近的邻居gydF4y2Ba
`日志(大小(X, 1))gydF4y2Ba`(默认)|gydF4y2Ba正整数gydF4y2Ba

`KernelScalegydF4y2Ba`- - - - - -gydF4y2Ba比例因子gydF4y2Ba
`1gydF4y2Ba`(默认)|gydF4y2Ba`“汽车”gydF4y2Ba`|gydF4y2Ba积极的标量gydF4y2Ba

`idxgydF4y2Ba`——功能命令功能重要性的指标gydF4y2Ba
数值向量gydF4y2Ba

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