变换

将预测器转换为提取的特征

折叠所有页面

语法

z =变换(Mdl x)

描述

例子

z=变换(Mdl，x）转换的数据x的特性z通过该模型Mdl．

例子

全部折叠

将数据转换为学习的特征

打开生活的脚本

创建包含100个特性的特性转换模型SampleImagePatches数据。

rng (“默认”）%的再现性data =负载(“SampleImagePatches”);q = 100;X = data.X;Mdl = sparsefilt (X,问)

警告:解算器LBFGS不能收敛到一个解。

Mdl = SparseFiltering ModelParameters: [1x1 struct] NumPredictors: 363 NumLearnedFeatures: 100 Mu: [] Sigma: [] FitInfo: [1x1 struct] TransformWeights: [363x100 double] InitialTransformWeights:[]属性，方法

sparsefilt发出警告，因为它是由于达到迭代限制而停止的，而不是由于达到步长限制或梯度大小限制。的方法仍然可以在返回的对象中使用学到的特性变换函数。

转换输入数据的前五行X到新功能空间。

y =变换(Mdl X (1:5,:));大小(y)

ans =1×2100年5

输入参数

全部折叠

`Mdl`- - - - - -特征提取模型
`SparseFiltering`对象|`ReconstructionICA`对象

特征提取模型，指定为SparseFiltering物体或作为ReconstructionICA对象。创建Mdl通过使用sparsefilt函数或黎加函数。

`x`- - - - - -预测数据
矩阵`p`列|表的数值与`p`列

预测器数据，指定为带有的矩阵p列或包含数值的表p列。在这里,p模型中预测因子的数量是多少Mdl。NumPredictors．输入矩阵或表的每一行代表一个要转换的数据点。

数据类型:单|双|表格

输出参数

全部折叠

`z`——转换数据
`n`——- - - - - -`问`矩阵

转换后的数据，作为n——- - - - - -问矩阵。在这里,n输入数据中的行数x,问是特征的数量，是多少Mdl。NumLearnedFeatures．

算法

变换使用学习的权值矩阵将数据转换为预测的特征W将输入预测器映射到输出特性。

为黎加,输入数据X线性映射到输出特征XW．看到重建ICA算法．
为sparsefilt，输入数据非线性地映射到输出特征 $\overset{＾}{F}$ （X，W)．看到稀疏的滤波算法．

谨慎

的结果变换对于稀疏滤波，依赖于数据点的数量。特别是应用的结果变换对矩阵的每一行分别不同于应用的结果变换到整个矩阵。