fsulaplaciangydF4y2Ba
使用拉普拉斯分数对无监督学习进行排序gydF4y2Ba
语法gydF4y2Ba
描述gydF4y2Ba
对特征(变量)进行排序gydF4y2BaidxgydF4y2Ba
= fsulaplacian (gydF4y2BaXgydF4y2Ba
)gydF4y2BaXgydF4y2Ba
使用gydF4y2Ba拉普拉斯算子的分数gydF4y2Ba.函数返回gydF4y2BaidxgydF4y2Ba
,其中包含按特征重要度排序的特征索引。你可以使用gydF4y2BaidxgydF4y2Ba
为无监督学习选择重要的特征。gydF4y2Ba
使用一个或多个名称-值对参数指定其他选项。例如,您可以指定gydF4y2BaidxgydF4y2Ba
= fsulaplacian (gydF4y2BaXgydF4y2Ba
,gydF4y2Ba名称,值gydF4y2Ba
)gydF4y2Ba“NumNeighbors”,10gydF4y2Ba
要创建gydF4y2Ba相似度图gydF4y2Ba使用10个最近的邻居。gydF4y2Ba
[gydF4y2Ba
还返回特性分数gydF4y2BaidxgydF4y2Ba
,gydF4y2Ba分数gydF4y2Ba
= fsulaplacian(gydF4y2Ba___gydF4y2Ba)gydF4y2Ba分数gydF4y2Ba
,使用前面语法中的任何输入参数组合。分数值越大,说明对应的特征很重要。gydF4y2Ba
例子gydF4y2Ba
按重要性排列的特征gydF4y2Ba
加载样例数据。gydF4y2Ba
负载gydF4y2Ba电离层gydF4y2Ba
根据重要性对功能进行排序。gydF4y2Ba
[idx,scores] = fsulaplacian(X);gydF4y2Ba
创建特征重要性分数的条形图。gydF4y2Ba
栏(分数(idx))包含(gydF4y2Ba“功能等级”gydF4y2Ba) ylabel (gydF4y2Ba“特征重要性评分”gydF4y2Ba)gydF4y2Ba
选择最重要的五个特征。中找到这些特征的列gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
idx (1:5)gydF4y2Ba
ans =gydF4y2Ba1×5gydF4y2Ba15 13 17 21 19gydF4y2Ba
第十五列gydF4y2BaXgydF4y2Ba
是最重要的特征。gydF4y2Ba
使用指定相似度矩阵对特征进行排序gydF4y2Ba
从Fisher的虹膜数据集计算相似矩阵,并使用相似矩阵对特征进行排序。gydF4y2Ba
加载费雪的虹膜数据集。gydF4y2Ba
负载gydF4y2BafisheririsgydF4y2Ba
求每对观测值之间的距离gydF4y2Ba量gydF4y2Ba
通过使用gydF4y2BapdistgydF4y2Ba
而且gydF4y2BasquareformgydF4y2Ba
函数使用默认的欧几里得距离度量。gydF4y2Ba
D = pdist(meas);Z =方形(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
对特征进行排序。gydF4y2Ba
Idx = fsulaplacian(meas,gydF4y2Ba“相似”gydF4y2Ba,年代)gydF4y2Ba
idx =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba
利用相似度矩阵进行排序gydF4y2Ba年代gydF4y2Ba
是否与通过指定进行排名相同gydF4y2Ba“NumNeighbors”gydF4y2Ba
作为gydF4y2Ba尺寸(量,1)gydF4y2Ba
.gydF4y2Ba
Idx2 = fsulaplacian(meas,gydF4y2Ba“NumNeighbors”gydF4y2Ba、尺寸(量,1))gydF4y2Ba
idx2 =gydF4y2Ba1×4gydF4y2Ba3 4 1 2gydF4y2Ba
输入参数gydF4y2Ba
XgydF4y2Ba
- - - - - -gydF4y2Ba输入数据gydF4y2Ba
数字矩阵gydF4y2Ba
的输入数据gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BapgydF4y2Ba数字矩阵。一排排的gydF4y2BaXgydF4y2Ba
对应于观察(或点),列对应于特征。gydF4y2Ba
软件处理gydF4y2Ba南gydF4y2Ba
年代gydF4y2BaXgydF4y2Ba
作为缺失数据,并忽略的任何行gydF4y2BaXgydF4y2Ba
至少包含一个gydF4y2Ba南gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
名称-值参数gydF4y2Ba
指定可选参数对为gydF4y2BaName1 = Value1,…,以=家gydF4y2Ba
,在那里gydF4y2Ba的名字gydF4y2Ba
参数名称和gydF4y2Ba价值gydF4y2Ba
对应的值。名称-值参数必须出现在其他参数之后,但对的顺序无关紧要。gydF4y2Ba
在R2021a之前,使用逗号分隔每个名称和值,并将其括起来gydF4y2Ba的名字gydF4y2Ba
在报价。gydF4y2Ba
例子:gydF4y2Ba“NumNeighbors”10“KernelScale”、“汽车”gydF4y2Ba
指定最近邻居的数量为10,内核比例因子为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
相似度矩阵,由逗号分隔的对组成gydF4y2Ba“相似”gydF4y2Ba
和一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba对称矩阵,其中gydF4y2BangydF4y2Ba是观测的数量。相似矩阵(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。相似度矩阵中的值表示节点(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
如果您指定gydF4y2Ba“相似”gydF4y2Ba
值,则不能指定任何其他名称-值对参数。如果没有指定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,指定为逗号分隔的对,由gydF4y2Ba“距离”gydF4y2Ba
和字符向量、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(默认值)gydF4y2Ba |
“seuclidean”gydF4y2Ba |
标准化欧氏距离。观测值之间的每个坐标差通过除以相应的标准偏差元素来缩放gydF4y2Ba |
“mahalanobis”gydF4y2Ba |
的样本协方差的马氏距离gydF4y2Ba |
“cityblock”gydF4y2Ba |
城市街区距离gydF4y2Ba |
闵可夫斯基的gydF4y2Ba |
闵可夫斯基距离。默认指数为2。使用gydF4y2Ba |
“chebychev”gydF4y2Ba |
切比雪夫距离(最大坐标差)gydF4y2Ba |
的余弦gydF4y2Ba |
1减去观测值之间夹角的余弦(作为向量处理)gydF4y2Ba |
“相关”gydF4y2Ba |
1减去观测值之间的样本相关性(作为值序列处理)gydF4y2Ba |
“汉明”gydF4y2Ba |
汉明距离,也就是不同坐标的百分比gydF4y2Ba |
“jaccard”gydF4y2Ba |
1减去杰卡德系数,也就是非零坐标的百分比gydF4y2Ba |
“枪兵”gydF4y2Ba |
1减去观测值之间的样本斯皮尔曼秩相关(作为值序列处理)gydF4y2Ba |
@gydF4y2Ba |
自定义距离函数句柄。距离函数有这样的形式gydF4y2Ba 函数gydF4y2BaD2 = distfun(ZI,ZJ)gydF4y2Ba距离计算%gydF4y2Ba...gydF4y2Ba
如果数据不是稀疏的,通常可以通过使用内置距离而不是函数句柄来更快地计算距离。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
距离度量时,可以指定附加的名称-值对参数gydF4y2Ba“规模”gydF4y2Ba
,gydF4y2Ba“P”gydF4y2Ba
,或gydF4y2Ba“浸”gydF4y2Ba
,分别控制距离度量。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
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的指数,指定为逗号分隔的对,由gydF4y2Ba“P”gydF4y2Ba
一个正标量。gydF4y2Ba
这个论点只有在以下情况下才成立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,指定为逗号分隔的对,由gydF4y2Ba“浸”gydF4y2Ba
和一个正定矩阵。gydF4y2Ba
这个论点只有在以下情况下才成立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标准化欧几里得距离度量的比例因子gydF4y2Ba
性病(X, omitnan)gydF4y2Ba
(默认)|gydF4y2Ba非负值的数字向量gydF4y2Ba
标准化欧几里得距离度量的比例因子,指定为逗号分隔的对,由gydF4y2Ba“规模”gydF4y2Ba
和一个非负值的数值向量。gydF4y2Ba
规模gydF4y2Ba
长度gydF4y2BapgydF4y2Ba的列数gydF4y2BaXgydF4y2Ba
),因为的每个维(列)gydF4y2BaXgydF4y2Ba
有相应的值在gydF4y2Ba规模gydF4y2Ba
.对于的每个维度gydF4y2BaXgydF4y2Ba
,gydF4y2BafsulaplaciangydF4y2Ba
中使用相应的值gydF4y2Ba规模gydF4y2Ba
为了标准化观察结果之间的差异。gydF4y2Ba
这个论点只有在以下情况下才成立gydF4y2Ba“距离”gydF4y2Ba
是gydF4y2Ba“seuclidean”gydF4y2Ba
.gydF4y2Ba
数据类型:gydF4y2Ba单gydF4y2Ba
|gydF4y2Ba双gydF4y2Ba
NumNeighborsgydF4y2Ba
- - - - - -gydF4y2Ba最近邻居数gydF4y2Ba
日志(大小(X, 1))gydF4y2Ba
(默认)|gydF4y2Ba正整数gydF4y2Ba
用于构造相似性图的最近邻居数,指定为由逗号分隔的对组成的gydF4y2Ba“NumNeighbors”gydF4y2Ba
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
内核的比例因子,指定为逗号分隔的对,由gydF4y2Ba“KernelScale”gydF4y2Ba
而且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
选项只支持金宝appgydF4y2Ba“欧几里得”gydF4y2Ba
而且gydF4y2Ba“seuclidean”gydF4y2Ba
距离度量。gydF4y2Ba如果你指定gydF4y2Ba
“汽车”gydF4y2Ba
,然后软件使用启发式程序选择合适的比例因子。这个启发式过程使用子抽样,所以估计值可以在不同的调用中有所不同。要重现结果,请使用设置一个随机数种子gydF4y2BarnggydF4y2Ba
在调用之前gydF4y2BafsulaplaciangydF4y2Ba
.gydF4y2Ba
例子:gydF4y2Ba“KernelScale”、“汽车”gydF4y2Ba
输出参数gydF4y2Ba
idxgydF4y2Ba
-按特征重要性排序的特征索引gydF4y2Ba
数值向量gydF4y2Ba
中特征的索引gydF4y2BaXgydF4y2Ba
按特征重要性排序,作为数字向量返回。例如,如果gydF4y2Baidx (3)gydF4y2Ba
是gydF4y2Ba5gydF4y2Ba
,那么第三个最重要的特征就是第五列中的gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
分数gydF4y2Ba
-功能评分gydF4y2Ba
数值向量gydF4y2Ba
特征分数,作为数字向量返回。中较大的分数值gydF4y2Ba分数gydF4y2Ba
表示相应的特征是重要的。中的值gydF4y2Ba分数gydF4y2Ba
与中特征的顺序相同gydF4y2BaXgydF4y2Ba
.gydF4y2Ba
更多关于gydF4y2Ba
相似度图gydF4y2Ba
相似度图为数据点之间的局部邻域关系建模gydF4y2BaXgydF4y2Ba
作为一个无向图。图中的节点表示数据点,而无方向的边表示数据点之间的连接。gydF4y2Ba
如果是成对距离gydF4y2Ba经销gydF4y2Ba我,我gydF4y2Ba任意两个节点之间gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba是正的(或大于某个阈值),那么相似度图使用边连接两个节点gydF4y2Ba[2]gydF4y2Ba.两个节点之间的边缘由成对相似度加权gydF4y2Ba年代gydF4y2Ba我,我gydF4y2Ba,在那里gydF4y2Ba ,对于指定的内核规模gydF4y2BaσgydF4y2Ba价值。gydF4y2Ba
fsulaplaciangydF4y2Ba
使用最近邻方法构造相似图。这个函数连接了内的点gydF4y2BaXgydF4y2Ba
它们是最近的邻居。使用gydF4y2Ba“NumNeighbors”gydF4y2Ba
指定最近邻居的数目。gydF4y2Ba
相似度矩阵gydF4y2Ba
相似矩阵是向量的矩阵表示gydF4y2Ba相似度图gydF4y2Ba.的gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba矩阵gydF4y2Ba 包含相似图中连接节点之间的成对相似值。图的相似矩阵也称为邻接矩阵。gydF4y2Ba
相似矩阵是对称的,因为相似图的边是无方向的。值为gydF4y2Ba年代gydF4y2Ba我,我gydF4y2Ba= 0gydF4y2Ba
意味着节点gydF4y2Ba我gydF4y2Ba而且gydF4y2BajgydF4y2Ba的相似度图是不相连的。gydF4y2Ba
度矩阵gydF4y2Ba
一个度矩阵gydF4y2BaDgydF4y2BaggydF4y2Ba是一个gydF4y2BangydF4y2Ba——- - - - - -gydF4y2BangydF4y2Ba对角线矩阵,由矩阵的行和得到gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba.也就是gydF4y2Ba我gydF4y2Ba的第Th对角元素gydF4y2BaDgydF4y2BaggydF4y2Ba是gydF4y2Ba
拉普拉斯算子的矩阵gydF4y2Ba
一个拉普拉斯矩阵,这是表示A的一种方式gydF4y2Ba相似度图gydF4y2Ba,定义为之间的差gydF4y2Ba度矩阵gydF4y2BaDgydF4y2BaggydF4y2Ba和gydF4y2Ba相似度矩阵gydF4y2Ba年代gydF4y2Ba.gydF4y2Ba
算法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从最近的邻居获得gydF4y2Ba相似度图gydF4y2Ba.gydF4y2Ba
fsulaplaciangydF4y2Ba
计算中的值gydF4y2Ba分数gydF4y2Ba
如下:gydF4y2Ba
中的每个数据点gydF4y2Ba
XgydF4y2Ba
,使用最近邻方法定义一个局部邻域,并计算成对距离gydF4y2Ba 对于所有点gydF4y2Ba我gydF4y2Ba而且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gydF4y2Ba
“KernelScale”gydF4y2Ba
名称-值对参数。gydF4y2Ba通过移除每个特征的均值,将其居中。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对于每个特性。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,定义为之间的差值gydF4y2BaDgydF4y2BaggydF4y2Ba而且gydF4y2Ba年代gydF4y2Ba.的gydF4y2BafsulaplaciangydF4y2Ba
函数仅使用该方程的第二项作为的分数值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一致gydF4y2Ba
在哪里gydF4y2BaxgydF4y2Ba红外gydF4y2Ba代表了gydF4y2Ba我gydF4y2Ba观察gydF4y2BargydF4y2Bath特性。最小化该值意味着算法偏爱方差大的特征。此外,该算法假设一个重要特征的两个数据点是接近的,当且仅当相似度图在两个数据点之间有一条边。gydF4y2Ba
参考文献gydF4y2Ba
He, X., D. Cai和P. Niyogi。“特征选择的拉普拉斯评分”gydF4y2Ba少量的程序。gydF4y2Ba2005.gydF4y2Ba
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
版本历史gydF4y2Ba
R2019b引入gydF4y2Ba
MATLAB命令gydF4y2Ba
你点击了一个对应于这个MATLAB命令的链接:gydF4y2Ba
在MATLAB命令窗口中输入该命令来运行该命令。Web浏览器不支持MATLAB命令。金宝appgydF4y2Ba
选择网站gydF4y2Ba
选择一个网站,在可用的地方获得翻译的内容,并查看当地的活动和优惠。根据您所在的位置,我们建议您选择:gydF4y2Ba.gydF4y2Ba
您也可以从以下列表中选择一个网站:gydF4y2Ba
如何获得最佳的网站性能gydF4y2Ba
选择中国站点(中文或英文)以获得最佳站点性能。其他MathWorks国家站点没有针对您所在位置的访问进行优化。gydF4y2Ba
美洲gydF4y2Ba
- 美国拉丁gydF4y2Ba(西班牙语)gydF4y2Ba
- 加拿大gydF4y2Ba(英语)gydF4y2Ba
- 美国gydF4y2Ba(英语)gydF4y2Ba
欧洲gydF4y2Ba
- 比利时gydF4y2Ba(英语)gydF4y2Ba
- 丹麦gydF4y2Ba(英语)gydF4y2Ba
- 德国gydF4y2Ba(德语)gydF4y2Ba
- 西班牙gydF4y2Ba(西班牙语)gydF4y2Ba
- 芬兰gydF4y2Ba(英语)gydF4y2Ba
- 法国gydF4y2Ba(法语)gydF4y2Ba
- 爱尔兰gydF4y2Ba(英语)gydF4y2Ba
- 意大利gydF4y2Ba(意大利语)gydF4y2Ba
- 卢森堡gydF4y2Ba(英语)gydF4y2Ba
- 荷兰gydF4y2Ba(英语)gydF4y2Ba
- 挪威gydF4y2Ba(英语)gydF4y2Ba
- 奥地利gydF4y2Ba(德语)gydF4y2Ba
- 葡萄牙gydF4y2Ba(英语)gydF4y2Ba
- 瑞典gydF4y2Ba(英语)gydF4y2Ba
- 瑞士gydF4y2Ba
- 联合王国gydF4y2Ba(英语)gydF4y2Ba
亚太地区gydF4y2Ba
- 澳大利亚gydF4y2Ba(英语)gydF4y2Ba
- 印度gydF4y2Ba(英语)gydF4y2Ba
- 新西兰gydF4y2Ba(英语)gydF4y2Ba
- 中国gydF4y2Ba
- 日本gydF4y2Ba(日本語)gydF4y2Ba
- 한국gydF4y2Ba(한국어)gydF4y2Ba