fsulaplacian.G.ydF4y2Ba

使用拉普拉斯分数无监督学习的等级功能G.ydF4y2Ba

语法G.ydF4y2Ba

idx = fsulaplacian (X)G.ydF4y2Ba

idx = fsulaplacian (X、名称、值)G.ydF4y2Ba

[Idx，scores] = fsulaplacian（G.ydF4y2Ba___G.ydF4y2Ba）G.ydF4y2Ba

描述G.ydF4y2Ba

idxG.ydF4y2Ba= fsulaplacian（G.ydF4y2BaX.G.ydF4y2Ba）G.ydF4y2Ba排名特征（变量）G.ydF4y2BaX.G.ydF4y2Ba使用G.ydF4y2Ba拉普拉斯分数G.ydF4y2Ba．函数返回G.ydF4y2BaidxG.ydF4y2Ba，其中包含通过特征重要性订购的功能指标。你可以使用G.ydF4y2BaidxG.ydF4y2Ba为无监督学习选择重要特征。G.ydF4y2Ba

示例G.ydF4y2Ba

idxG.ydF4y2Ba= fsulaplacian（G.ydF4y2BaX.G.ydF4y2Ba那G.ydF4y2Ba名称，价值G.ydF4y2Ba）G.ydF4y2Ba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G.ydF4y2Ba'numneighbors'，10G.ydF4y2Ba创建一个G.ydF4y2Ba相似度图G.ydF4y2Ba使用10个最近的邻居。G.ydF4y2Ba

[G.ydF4y2BaidxG.ydF4y2Ba那G.ydF4y2Ba分数G.ydF4y2Ba) = fsulaplacian (G.ydF4y2Ba___G.ydF4y2Ba）G.ydF4y2Ba还返回特征分数G.ydF4y2Ba分数G.ydF4y2Ba，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。G.ydF4y2Ba

例子G.ydF4y2Ba

崩溃G.ydF4y2Ba

等级的重要性G.ydF4y2Ba

打开生活的脚本G.ydF4y2Ba

加载示例数据。G.ydF4y2Ba

加载G.ydF4y2Ba电离层G.ydF4y2Ba

根据重要性排列功能。G.ydF4y2Ba

[Idx，scores] = fsulaplacian（x）;G.ydF4y2Ba

创建一个特征重要分数的条形图。G.ydF4y2Ba

BAR（分数（IDX））XLABEL（G.ydF4y2Ba“功能等级”G.ydF4y2Ba) ylabel (G.ydF4y2Ba“功能重要性分数”G.ydF4y2Ba）G.ydF4y2Ba

图包含轴。轴包含类型栏的物体。G.ydF4y2Ba

选择最重要的五个功能。找到这些功能的列G.ydF4y2BaX.G.ydF4y2Ba．G.ydF4y2Ba

idx (1:5)G.ydF4y2Ba

ans =.G.ydF4y2Ba1×5G.ydF4y2Ba15 13 13 17 21 19G.ydF4y2Ba

第15列G.ydF4y2BaX.G.ydF4y2Ba是最重要的功能。G.ydF4y2Ba

使用指定相似度矩阵排序特征G.ydF4y2Ba

打开生活的脚本G.ydF4y2Ba

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。G.ydF4y2Ba

装载Fisher的Iris数据集。G.ydF4y2Ba

加载G.ydF4y2Ba渔民G.ydF4y2Ba

找到每对观察之间的距离G.ydF4y2Ba测定G.ydF4y2Ba通过使用G.ydF4y2BaPdist.G.ydF4y2Ba和G.ydF4y2Ba方形G.ydF4y2Ba默认欧几里德距离度量的功能。G.ydF4y2Ba

D = PDIST（MEA）;z =方形格式（d）;G.ydF4y2Ba

构建相似性矩阵并确认它是对称的。G.ydF4y2Ba

s = exp（-Z. ^ 2）;不良G.ydF4y2Ba

ans =.G.ydF4y2Ba逻辑G.ydF4y2Ba1G.ydF4y2Ba

排名的功能。G.ydF4y2Ba

Idx = fsulaplacian（meas，G.ydF4y2Ba'相似'G.ydF4y2Ba，s）G.ydF4y2Ba

idx =G.ydF4y2Ba1×4G.ydF4y2Ba3 4 1 2G.ydF4y2Ba

使用相似性矩阵排名G.ydF4y2BaS.G.ydF4y2Ba通过指定等级是相同的G.ydF4y2Ba'numneighbors'G.ydF4y2Baas.G.ydF4y2Ba尺寸(量,1)G.ydF4y2Ba．G.ydF4y2Ba

idx2 = fsulaplacian（meas，G.ydF4y2Ba'numneighbors'G.ydF4y2Ba、尺寸(量,1))G.ydF4y2Ba

idx2 =G.ydF4y2Ba1×4G.ydF4y2Ba3 4 1 2G.ydF4y2Ba

输入参数G.ydF4y2Ba

崩溃G.ydF4y2Ba

`X.G.ydF4y2Ba`-G.ydF4y2Ba输入数据G.ydF4y2Ba
数字矩阵G.ydF4y2Ba

输入数据，指定为G.ydF4y2BaNG.ydF4y2Ba-G.ydF4y2BaP.G.ydF4y2Ba数字矩阵。行的行G.ydF4y2BaX.G.ydF4y2Ba对应于观察（或点），并且列对应于特征。G.ydF4y2Ba

软件对待G.ydF4y2Ba南G.ydF4y2Bain.G.ydF4y2BaX.G.ydF4y2Ba作为缺少数据并忽略任何行G.ydF4y2BaX.G.ydF4y2Ba包含至少一个G.ydF4y2Ba南G.ydF4y2Ba．G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

名称值对参数G.ydF4y2Ba

指定可选的逗号分离对G.ydF4y2Ba名称，价值G.ydF4y2Ba论点。G.ydF4y2Ba的名字G.ydF4y2Ba是参数名称和G.ydF4y2Ba价值G.ydF4y2Ba为对应值。G.ydF4y2Ba的名字G.ydF4y2Ba必须出现在引号内。您可以以任何顺序指定多个名称和值对参数G.ydF4y2Baname1，value1，...，namen，valuenG.ydF4y2Ba．G.ydF4y2Ba

示例：G.ydF4y2Ba“NumNeighbors”10“KernelScale”、“汽车”G.ydF4y2Ba指定最近邻居的数量和核心尺度因子G.ydF4y2Ba'auto'G.ydF4y2Ba．G.ydF4y2Ba

`'相似'G.ydF4y2Ba`-G.ydF4y2Ba相似性矩阵G.ydF4y2Ba
`[]G.ydF4y2Ba`（空矩阵）G.ydF4y2Ba(默认)|G.ydF4y2Ba对称矩阵G.ydF4y2Ba

相似性矩阵，指定为逗号分隔的对组成G.ydF4y2Ba'相似'G.ydF4y2Ba和一个G.ydF4y2BaNG.ydF4y2Ba-G.ydF4y2BaNG.ydF4y2Ba对称矩阵，其中G.ydF4y2BaNG.ydF4y2Ba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)G.ydF4y2Ba相似度图G.ydF4y2Ba．有关更多信息，请参见G.ydF4y2Ba相似度矩阵G.ydF4y2Ba．G.ydF4y2Ba

如果您指定了G.ydF4y2Ba'相似'G.ydF4y2Ba值，然后您无法指定任何其他名称值对参数。如果您没有指定G.ydF4y2Ba'相似'G.ydF4y2Ba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。G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

`“距离”G.ydF4y2Ba`-G.ydF4y2Ba距离度量G.ydF4y2Ba
字符向量G.ydF4y2Ba|G.ydF4y2Ba字符串标量G.ydF4y2Ba|G.ydF4y2Ba功能手柄G.ydF4y2Ba

距离度量，指定为逗号分隔对，由G.ydF4y2Ba“距离”G.ydF4y2Ba以及字符向量、字符串标量或函数句柄，如本表所述。G.ydF4y2Ba

价值G.ydF4y2Ba	描述G.ydF4y2Ba
`'euclidean'G.ydF4y2Ba`	欧氏距离(默认)G.ydF4y2Ba
`“seuclidean”G.ydF4y2Ba`	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G.ydF4y2Ba`X.G.ydF4y2Ba`．使用G.ydF4y2Ba`规模G.ydF4y2Ba`参数名-值对指定不同的缩放因子。G.ydF4y2Ba
`'mahalanobis'G.ydF4y2Ba`	使用样本协方差的Mahalanobis距离G.ydF4y2Ba`X.G.ydF4y2Ba`那G.ydF4y2Ba`C = COV（x，'omitrows'）G.ydF4y2Ba`．使用G.ydF4y2Ba`COV.G.ydF4y2Ba`名称值对参数指定不同的协方差矩阵。G.ydF4y2Ba
`“cityblock”G.ydF4y2Ba`	城市街区距离G.ydF4y2Ba
`'minkowski'G.ydF4y2Ba`	闵可夫斯基距离。默认指数是2。使用G.ydF4y2Ba`P.G.ydF4y2Ba`名称-值对参数指定不同的指数，其中G.ydF4y2Ba`P.G.ydF4y2Ba`是正标量值。G.ydF4y2Ba
`'chebbychev'G.ydF4y2Ba`	Chebychev距离（最大坐标差异）G.ydF4y2Ba
`'余弦'G.ydF4y2Ba`	一个减去观察之间夹持角度的余弦（作为载体处理）G.ydF4y2Ba
`'相关'G.ydF4y2Ba`	一个减去观察之间的样本相关性（视为值序列）G.ydF4y2Ba
`'汉明'G.ydF4y2Ba`	汉明距离，是坐标差的百分比G.ydF4y2Ba
`'jaccard'G.ydF4y2Ba`	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G.ydF4y2Ba
`“枪兵”G.ydF4y2Ba`	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)G.ydF4y2Ba
`@G.ydF4y2BadistfunG.ydF4y2Ba`	自定义距离功能句柄。距离功能具有表单G.ydF4y2Ba 函数G.ydF4y2Bad2 = distfun（zi，zj）G.ydF4y2Ba％计算距离G.ydF4y2Ba．..G.ydF4y2Ba 在哪里G.ydF4y2Ba `Zi.G.ydF4y2Ba`是A.G.ydF4y2Ba`1G.ydF4y2Ba`-G.ydF4y2Ba`NG.ydF4y2Ba`载体含有单个观察。G.ydF4y2Ba `ZJ.G.ydF4y2Ba`是一个G.ydF4y2Ba`M2G.ydF4y2Ba`-G.ydF4y2Ba`NG.ydF4y2Ba`矩阵包含多个观察。G.ydF4y2Ba`distfunG.ydF4y2Ba`必须接受矩阵G.ydF4y2Ba`ZJ.G.ydF4y2Ba`具有任意数量的观察。G.ydF4y2Ba `D2G.ydF4y2Ba`是一个G.ydF4y2Ba`M2G.ydF4y2Ba`-G.ydF4y2Ba`1G.ydF4y2Ba`距离矢量，和G.ydF4y2Ba`D2（k）G.ydF4y2Ba`是观察之间的距离G.ydF4y2Ba`Zi.G.ydF4y2Ba`和G.ydF4y2Ba`ZJ (k,:)G.ydF4y2Ba`．G.ydF4y2Ba 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。G.ydF4y2Ba

有关更多信息，请参见G.ydF4y2Ba距离指标G.ydF4y2Ba．G.ydF4y2Ba

当你使用的时候G.ydF4y2Ba“seuclidean”G.ydF4y2Ba那G.ydF4y2Ba'minkowski'G.ydF4y2Ba,或G.ydF4y2Ba'mahalanobis'G.ydF4y2Ba距离度量，您可以指定附加的名称-值对参数G.ydF4y2Ba“规模”G.ydF4y2Ba那G.ydF4y2Ba'P'G.ydF4y2Ba,或G.ydF4y2Ba'COV'G.ydF4y2Ba分别控制距离指标。G.ydF4y2Ba

示例：G.ydF4y2Ba“距离”、“闵可夫斯基”,“P”3G.ydF4y2Ba指定使用带有指数的Minkowski距离度量G.ydF4y2Ba3.G.ydF4y2Ba．G.ydF4y2Ba

`'P'G.ydF4y2Ba`-G.ydF4y2Ba用于Minkowski距离度量的指数G.ydF4y2Ba
`2G.ydF4y2Ba`(默认)|G.ydF4y2Ba正标量G.ydF4y2Ba

用于Minkowski距离度量的指数，指定为逗号分隔对组成G.ydF4y2Ba'P'G.ydF4y2Ba一个正标量。G.ydF4y2Ba

此参数仅当G.ydF4y2Ba“距离”G.ydF4y2Ba是G.ydF4y2Ba'minkowski'G.ydF4y2Ba．G.ydF4y2Ba

示例：G.ydF4y2Ba'P'，3G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

`'COV'G.ydF4y2Ba`-G.ydF4y2Ba马氏距离度量的协方差矩阵G.ydF4y2Ba
`COV（x，'omitrows'）G.ydF4y2Ba`(默认)|G.ydF4y2Ba正定的矩阵G.ydF4y2Ba

用于Mahalanobis距离度量的协方差矩阵，指定为逗号分隔对组成G.ydF4y2Ba'COV'G.ydF4y2Ba一个正定矩阵。G.ydF4y2Ba

此参数仅当G.ydF4y2Ba“距离”G.ydF4y2Ba是G.ydF4y2Ba'mahalanobis'G.ydF4y2Ba．G.ydF4y2Ba

示例：G.ydF4y2Ba'COV'，EYE（4）G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

`“规模”G.ydF4y2Ba`-G.ydF4y2Ba标准欧几里得距离度量的比例因子G.ydF4y2Ba
`std（x，'omitnan'）G.ydF4y2Ba`(默认)|G.ydF4y2Ba非负值的数字矢量G.ydF4y2Ba

标准化欧几里德距离度量的缩放因子指定为逗号分隔对G.ydF4y2Ba“规模”G.ydF4y2Ba和一个非负值的数值向量。G.ydF4y2Ba

规模G.ydF4y2Ba有长度G.ydF4y2BaP.G.ydF4y2Ba(列的数目G.ydF4y2BaX.G.ydF4y2Ba)，因为每个维度(列)G.ydF4y2BaX.G.ydF4y2Ba有相应的价值G.ydF4y2Ba规模G.ydF4y2Ba．对于每个维度G.ydF4y2BaX.G.ydF4y2Ba那G.ydF4y2Bafsulaplacian.G.ydF4y2Ba使用中对应的值G.ydF4y2Ba规模G.ydF4y2Ba标准化观察之间的差异。G.ydF4y2Ba

此参数仅当G.ydF4y2Ba“距离”G.ydF4y2Ba是G.ydF4y2Ba“seuclidean”G.ydF4y2Ba．G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

`'numneighbors'G.ydF4y2Ba`-G.ydF4y2Ba最近邻居的数量G.ydF4y2Ba
`日志（大小（x，1））G.ydF4y2Ba`(默认)|G.ydF4y2Ba正整数G.ydF4y2Ba

用于构造相似性图的最近邻居数量，指定为逗号分隔的对组成G.ydF4y2Ba'numneighbors'G.ydF4y2Ba和一个正整数。G.ydF4y2Ba

示例：G.ydF4y2Ba'numneighbors'，10G.ydF4y2Ba

数据类型：G.ydF4y2Ba单G.ydF4y2Ba|G.ydF4y2Ba双人间G.ydF4y2Ba

`'kernelscale'G.ydF4y2Ba`-G.ydF4y2Ba规模因子G.ydF4y2Ba
`1G.ydF4y2Ba`(默认)|G.ydF4y2Ba`'auto'G.ydF4y2Ba`|G.ydF4y2Ba正标量G.ydF4y2Ba

内核的规模因子，指定为逗号分隔对组成G.ydF4y2Ba'kernelscale'G.ydF4y2Ba和G.ydF4y2Ba'auto'G.ydF4y2Ba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G.ydF4y2Ba相似度图G.ydF4y2Ba．G.ydF4y2Ba

当G.ydF4y2Ba'auto'G.ydF4y2Ba选项仅支持金宝appG.ydF4y2Ba'euclidean'G.ydF4y2Ba和G.ydF4y2Ba“seuclidean”G.ydF4y2Ba距离指标。G.ydF4y2Ba
如果您指定G.ydF4y2Ba'auto'G.ydF4y2Ba然后，软件使用启发式程序选择适当的比例因子。这种启发式程序使用分列，因此估计可能因对另一个呼叫而异。要重现结果，请使用随机数种子G.ydF4y2BarngG.ydF4y2Ba在打电话之前G.ydF4y2Bafsulaplacian.G.ydF4y2Ba．G.ydF4y2Ba

示例：G.ydF4y2Ba'kernelscale'，'auto'G.ydF4y2Ba

输出参数G.ydF4y2Ba

崩溃G.ydF4y2Ba

`idxG.ydF4y2Ba`-按特征重要性排序的特征指数G.ydF4y2Ba
数字矢量G.ydF4y2Ba

特征的指标G.ydF4y2BaX.G.ydF4y2Ba按特征重要性订购，作为数字矢量返回。例如，如果G.ydF4y2BaIDX（3）G.ydF4y2Ba是G.ydF4y2Ba5.G.ydF4y2Ba，第三个最重要的特征是第五列G.ydF4y2BaX.G.ydF4y2Ba．G.ydF4y2Ba

`分数G.ydF4y2Ba`- 特征分数G.ydF4y2Ba
数字矢量G.ydF4y2Ba

特征值，作为数字向量返回。一个很大的分数值G.ydF4y2Ba分数G.ydF4y2Ba表示对应的特性是重要的。中的值G.ydF4y2Ba分数G.ydF4y2Ba有相同的顺序的功能G.ydF4y2BaX.G.ydF4y2Ba．G.ydF4y2Ba

算法G.ydF4y2Ba

崩溃G.ydF4y2Ba

拉普拉斯的分数G.ydF4y2Ba

当G.ydF4y2Bafsulaplacian.G.ydF4y2Ba使用Laplacian分数来排名功能G.ydF4y2Ba[1]G.ydF4y2Ba从最近的邻居获得G.ydF4y2Ba相似度图G.ydF4y2Ba．G.ydF4y2Ba

fsulaplacian.G.ydF4y2Ba计算中的值G.ydF4y2Ba分数G.ydF4y2Ba如下：G.ydF4y2Ba

对于每个数据点G.ydF4y2BaX.G.ydF4y2Ba，使用最近邻法定义局部邻域，并求成对距离G.ydF4y2Ba $D.G.ydF4y2Ba 我G.ydF4y2Ba S.G.ydF4y2Ba {T.G.ydF4y2Ba}_{我G.ydF4y2Ba 那G.ydF4y2Ba jG.ydF4y2Ba}$ 对于所有要点G.ydF4y2Ba我G.ydF4y2Ba和G.ydF4y2BajG.ydF4y2Ba在邻居。G.ydF4y2Ba
将距离转换为G.ydF4y2Ba相似度矩阵G.ydF4y2BaS.G.ydF4y2Ba使用内核转换G.ydF4y2Ba ${S.G.ydF4y2Ba}_{我G.ydF4y2Ba 那G.ydF4y2Ba jG.ydF4y2Ba} =G.ydF4y2Ba 经验值G.ydF4y2Ba （G.ydF4y2Ba -G.ydF4y2Ba {（G.ydF4y2Ba \frac{D.G.ydF4y2Ba 我G.ydF4y2Ba S.G.ydF4y2Ba {T.G.ydF4y2Ba}_{我G.ydF4y2Ba 那G.ydF4y2Ba jG.ydF4y2Ba}}{σ.G.ydF4y2Ba} ）G.ydF4y2Ba}^{2G.ydF4y2Ba} ）G.ydF4y2Ba$ ，在哪里G.ydF4y2Baσ.G.ydF4y2Ba是核心的规模因素，如所指定的内核G.ydF4y2Ba'kernelscale'G.ydF4y2Ba名称值对参数。G.ydF4y2Ba
通过删除其平均值来中心。G.ydF4y2Ba

${\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba} =G.ydF4y2Ba {X.G.ydF4y2Ba}_{R.G.ydF4y2Ba} -G.ydF4y2Ba \frac{{X.G.ydF4y2Ba}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} {D.G.ydF4y2Ba}_{G.G.ydF4y2Ba} 1G.ydF4y2Ba}{{1G.ydF4y2Ba}^{T.G.ydF4y2Ba} {D.G.ydF4y2Ba}_{G.G.ydF4y2Ba} 1G.ydF4y2Ba} 1G.ydF4y2Ba 那G.ydF4y2Ba$

在哪里G.ydF4y2BaX.G.ydF4y2Ba_R.G.ydF4y2Ba是G.ydF4y2BaR.G.ydF4y2Ba特征，G.ydF4y2BaD.G.ydF4y2Ba_G.G.ydF4y2Ba是G.ydF4y2Ba学位矩阵G.ydF4y2Ba,G.ydF4y2Ba ${1G.ydF4y2Ba}^{T.G.ydF4y2Ba} =G.ydF4y2Ba {[G.ydF4y2Ba 1G.ydF4y2Ba 那G.ydF4y2Ba \dotsG.ydF4y2Ba 那G.ydF4y2Ba 1G.ydF4y2Ba]G.ydF4y2Ba}^{T.G.ydF4y2Ba}$ ．G.ydF4y2Ba
计算得分G.ydF4y2BaS.G.ydF4y2Ba_R.G.ydF4y2Ba对于每个特征。G.ydF4y2Ba

${S.G.ydF4y2Ba}_{R.G.ydF4y2Ba} =G.ydF4y2Ba \frac{{\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} S.G.ydF4y2Ba {\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}}{{\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} {D.G.ydF4y2Ba}_{G.G.ydF4y2Ba} {\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}} ．G.ydF4y2Ba$

注意G.ydF4y2Ba[1]G.ydF4y2Ba定义Laplacian得分G.ydF4y2Ba

${L.G.ydF4y2Ba}_{R.G.ydF4y2Ba} =G.ydF4y2Ba \frac{{\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} L.G.ydF4y2Ba {\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}}{{\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} {D.G.ydF4y2Ba}_{G.G.ydF4y2Ba} {\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}} =G.ydF4y2Ba 1G.ydF4y2Ba -G.ydF4y2Ba \frac{{\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} S.G.ydF4y2Ba {\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}}{{\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}^{T.G.ydF4y2Ba} {D.G.ydF4y2Ba}_{G.G.ydF4y2Ba} {\overset{〜G.ydF4y2Ba}{X.G.ydF4y2Ba}}_{R.G.ydF4y2Ba}} 那G.ydF4y2Ba$

在哪里G.ydF4y2BaL.G.ydF4y2Ba是G.ydF4y2Ba拉普拉斯算子的矩阵G.ydF4y2Ba，定义为之间的差异G.ydF4y2BaD.G.ydF4y2Ba_G.G.ydF4y2Ba和G.ydF4y2BaS.G.ydF4y2Ba．当G.ydF4y2Bafsulaplacian.G.ydF4y2Ba函数仅使用此等式的第二项进行分数值G.ydF4y2Ba分数G.ydF4y2Ba因此，大得分值表示一个重要的特征。G.ydF4y2Ba

使用拉普拉斯分数选择特征与最小化值是一致的G.ydF4y2Ba

$\frac{{\sumG.ydF4y2Ba}_{我G.ydF4y2Ba 那G.ydF4y2Ba jG.ydF4y2Ba} {（G.ydF4y2Ba {X.G.ydF4y2Ba}_{我G.ydF4y2Ba R.G.ydF4y2Ba} -G.ydF4y2Ba {X.G.ydF4y2Ba}_{jG.ydF4y2Ba R.G.ydF4y2Ba} ）G.ydF4y2Ba}^{2G.ydF4y2Ba} {S.G.ydF4y2Ba}_{我G.ydF4y2Ba 那G.ydF4y2Ba jG.ydF4y2Ba}}{V.G.ydF4y2Ba A.G.ydF4y2Ba R.G.ydF4y2Ba （G.ydF4y2Ba {X.G.ydF4y2Ba}_{R.G.ydF4y2Ba} ）G.ydF4y2Ba} 那G.ydF4y2Ba$

在哪里G.ydF4y2BaX.G.ydF4y2Ba_{IR.G.ydF4y2Ba}代表了G.ydF4y2Ba我G.ydF4y2Ba观察G.ydF4y2BaR.G.ydF4y2Bath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。G.ydF4y2Ba

参考资料G.ydF4y2Ba

他，X.， D. Cai, P. Niyogi。"特征选择的拉普拉斯分值"G.ydF4y2Banips程序。G.ydF4y2Ba2005年。G.ydF4y2Ba

[2] Von Luxburg，U.“频谱聚类的教程。”G.ydF4y2Ba统计与计算杂志G.ydF4y2Ba．Vol.17，第4,2007号，第395-416页。G.ydF4y2Ba

另请参阅G.ydF4y2Ba

fscmrmrG.ydF4y2Ba|G.ydF4y2BarefieffG.ydF4y2Ba|G.ydF4y2Ba序列G.ydF4y2Ba

主题G.ydF4y2Ba

功能选择简介G.ydF4y2Ba

在R2019B中介绍G.ydF4y2Ba

fsulaplacian.G.ydF4y2Ba

语法G.ydF4y2Ba

描述G.ydF4y2Ba

例子G.ydF4y2Ba

等级的重要性G.ydF4y2Ba

使用指定相似度矩阵排序特征G.ydF4y2Ba

输入参数G.ydF4y2Ba

`X.G.ydF4y2Ba`-G.ydF4y2Ba输入数据G.ydF4y2Ba
数字矩阵G.ydF4y2Ba

名称值对参数G.ydF4y2Ba

`'相似'G.ydF4y2Ba`-G.ydF4y2Ba相似性矩阵G.ydF4y2Ba
`[]G.ydF4y2Ba`（空矩阵）G.ydF4y2Ba(默认)|G.ydF4y2Ba对称矩阵G.ydF4y2Ba

`“距离”G.ydF4y2Ba`-G.ydF4y2Ba距离度量G.ydF4y2Ba
字符向量G.ydF4y2Ba|G.ydF4y2Ba字符串标量G.ydF4y2Ba|G.ydF4y2Ba功能手柄G.ydF4y2Ba

`'P'G.ydF4y2Ba`-G.ydF4y2Ba用于Minkowski距离度量的指数G.ydF4y2Ba
`2G.ydF4y2Ba`(默认)|G.ydF4y2Ba正标量G.ydF4y2Ba

`'COV'G.ydF4y2Ba`-G.ydF4y2Ba马氏距离度量的协方差矩阵G.ydF4y2Ba
`COV（x，'omitrows'）G.ydF4y2Ba`(默认)|G.ydF4y2Ba正定的矩阵G.ydF4y2Ba

`“规模”G.ydF4y2Ba`-G.ydF4y2Ba标准欧几里得距离度量的比例因子G.ydF4y2Ba
`std（x，'omitnan'）G.ydF4y2Ba`(默认)|G.ydF4y2Ba非负值的数字矢量G.ydF4y2Ba

`'numneighbors'G.ydF4y2Ba`-G.ydF4y2Ba最近邻居的数量G.ydF4y2Ba
`日志（大小（x，1））G.ydF4y2Ba`(默认)|G.ydF4y2Ba正整数G.ydF4y2Ba

`'kernelscale'G.ydF4y2Ba`-G.ydF4y2Ba规模因子G.ydF4y2Ba
`1G.ydF4y2Ba`(默认)|G.ydF4y2Ba`'auto'G.ydF4y2Ba`|G.ydF4y2Ba正标量G.ydF4y2Ba

输出参数G.ydF4y2Ba

`idxG.ydF4y2Ba`-按特征重要性排序的特征指数G.ydF4y2Ba
数字矢量G.ydF4y2Ba

`分数G.ydF4y2Ba`- 特征分数G.ydF4y2Ba
数字矢量G.ydF4y2Ba

更多关于G.ydF4y2Ba

相似度图G.ydF4y2Ba

相似度矩阵G.ydF4y2Ba

度矩阵G.ydF4y2Ba

拉普拉斯矩阵G.ydF4y2Ba

算法G.ydF4y2Ba

拉普拉斯的分数G.ydF4y2Ba

参考资料G.ydF4y2Ba

另请参阅G.ydF4y2Ba

主题G.ydF4y2Ba

统计和机器学习工具箱文档G.ydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南G.ydF4y2Ba

fsulaplacian.G.ydF4y2Ba

语法G.ydF4y2Ba

描述G.ydF4y2Ba

例子G.ydF4y2Ba

等级的重要性G.ydF4y2Ba

使用指定相似度矩阵排序特征G.ydF4y2Ba

输入参数G.ydF4y2Ba

X.G.ydF4y2Ba-G.ydF4y2Ba输入数据G.ydF4y2Ba数字矩阵G.ydF4y2Ba

名称值对参数G.ydF4y2Ba

'相似'G.ydF4y2Ba-G.ydF4y2Ba相似性矩阵G.ydF4y2Ba[]G.ydF4y2Ba（空矩阵）G.ydF4y2Ba(默认)|G.ydF4y2Ba对称矩阵G.ydF4y2Ba

“距离”G.ydF4y2Ba-G.ydF4y2Ba距离度量G.ydF4y2Ba字符向量G.ydF4y2Ba|G.ydF4y2Ba字符串标量G.ydF4y2Ba|G.ydF4y2Ba功能手柄G.ydF4y2Ba

'P'G.ydF4y2Ba-G.ydF4y2Ba用于Minkowski距离度量的指数G.ydF4y2Ba2G.ydF4y2Ba(默认)|G.ydF4y2Ba正标量G.ydF4y2Ba

'COV'G.ydF4y2Ba-G.ydF4y2Ba马氏距离度量的协方差矩阵G.ydF4y2BaCOV（x，'omitrows'）G.ydF4y2Ba(默认)|G.ydF4y2Ba正定的矩阵G.ydF4y2Ba

“规模”G.ydF4y2Ba-G.ydF4y2Ba标准欧几里得距离度量的比例因子G.ydF4y2Bastd（x，'omitnan'）G.ydF4y2Ba(默认)|G.ydF4y2Ba非负值的数字矢量G.ydF4y2Ba

'numneighbors'G.ydF4y2Ba-G.ydF4y2Ba最近邻居的数量G.ydF4y2Ba日志（大小（x，1））G.ydF4y2Ba(默认)|G.ydF4y2Ba正整数G.ydF4y2Ba

'kernelscale'G.ydF4y2Ba-G.ydF4y2Ba规模因子G.ydF4y2Ba1G.ydF4y2Ba(默认)|G.ydF4y2Ba'auto'G.ydF4y2Ba|G.ydF4y2Ba正标量G.ydF4y2Ba

输出参数G.ydF4y2Ba

idxG.ydF4y2Ba-按特征重要性排序的特征指数G.ydF4y2Ba数字矢量G.ydF4y2Ba

分数G.ydF4y2Ba- 特征分数G.ydF4y2Ba数字矢量G.ydF4y2Ba

更多关于G.ydF4y2Ba

相似度图G.ydF4y2Ba

相似度矩阵G.ydF4y2Ba

度矩阵G.ydF4y2Ba

拉普拉斯矩阵G.ydF4y2Ba

算法G.ydF4y2Ba

拉普拉斯的分数G.ydF4y2Ba

参考资料G.ydF4y2Ba

另请参阅G.ydF4y2Ba

主题G.ydF4y2Ba

统计和机器学习工具箱文档G.ydF4y2Ba

金宝app

掌握机器学习：使用MATLAB逐步指南G.ydF4y2Ba

`X.G.ydF4y2Ba`-G.ydF4y2Ba输入数据G.ydF4y2Ba
数字矩阵G.ydF4y2Ba

`'相似'G.ydF4y2Ba`-G.ydF4y2Ba相似性矩阵G.ydF4y2Ba
`[]G.ydF4y2Ba`（空矩阵）G.ydF4y2Ba(默认)|G.ydF4y2Ba对称矩阵G.ydF4y2Ba

`“距离”G.ydF4y2Ba`-G.ydF4y2Ba距离度量G.ydF4y2Ba
字符向量G.ydF4y2Ba|G.ydF4y2Ba字符串标量G.ydF4y2Ba|G.ydF4y2Ba功能手柄G.ydF4y2Ba

`'P'G.ydF4y2Ba`-G.ydF4y2Ba用于Minkowski距离度量的指数G.ydF4y2Ba
`2G.ydF4y2Ba`(默认)|G.ydF4y2Ba正标量G.ydF4y2Ba

`'COV'G.ydF4y2Ba`-G.ydF4y2Ba马氏距离度量的协方差矩阵G.ydF4y2Ba
`COV（x，'omitrows'）G.ydF4y2Ba`(默认)|G.ydF4y2Ba正定的矩阵G.ydF4y2Ba

`“规模”G.ydF4y2Ba`-G.ydF4y2Ba标准欧几里得距离度量的比例因子G.ydF4y2Ba
`std（x，'omitnan'）G.ydF4y2Ba`(默认)|G.ydF4y2Ba非负值的数字矢量G.ydF4y2Ba

`'numneighbors'G.ydF4y2Ba`-G.ydF4y2Ba最近邻居的数量G.ydF4y2Ba
`日志（大小（x，1））G.ydF4y2Ba`(默认)|G.ydF4y2Ba正整数G.ydF4y2Ba

`'kernelscale'G.ydF4y2Ba`-G.ydF4y2Ba规模因子G.ydF4y2Ba
`1G.ydF4y2Ba`(默认)|G.ydF4y2Ba`'auto'G.ydF4y2Ba`|G.ydF4y2Ba正标量G.ydF4y2Ba

`idxG.ydF4y2Ba`-按特征重要性排序的特征指数G.ydF4y2Ba
数字矢量G.ydF4y2Ba

`分数G.ydF4y2Ba`- 特征分数G.ydF4y2Ba
数字矢量G.ydF4y2Ba