fsulaplaciangydF4y2Ba

使用拉普拉斯分数对无监督学习进行排序gydF4y2Ba

语法gydF4y2Ba

idx = fsulaplacian(X)gydF4y2Ba

idx = fsulaplacian(X，名称，值)gydF4y2Ba

[idx,scores] = fsulaplacian(gydF4y2Ba___gydF4y2Ba）gydF4y2Ba

描述gydF4y2Ba

idxgydF4y2Ba= fsulaplacian (gydF4y2BaXgydF4y2Ba）gydF4y2Ba对特征(变量)进行排序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

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，您可以指定gydF4y2Ba“NumNeighbors”,10gydF4y2Ba要创建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还返回特性分数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

全部折叠gydF4y2Ba

按重要性排列的特征gydF4y2Ba

打开实时脚本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

图中包含一个轴对象。axis对象包含一个bar类型的对象。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

打开实时脚本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

全部折叠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`XgydF4y2Ba`．使用gydF4y2Ba`规模gydF4y2Ba`参数指定不同的缩放因子。gydF4y2Ba
`“mahalanobis”gydF4y2Ba`	的样本协方差的马氏距离gydF4y2Ba`XgydF4y2Ba`，gydF4y2Ba`C = cov(X，'omitrows')gydF4y2Ba`．使用gydF4y2Ba`浸gydF4y2Ba`参数指定不同的协方差矩阵。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`PgydF4y2Ba`参数指定不同的指数，其中gydF4y2Ba`PgydF4y2Ba`为正标量值。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
`@gydF4y2BadistfungydF4y2Ba`	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 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`必须接受一个矩阵gydF4y2Ba`ZJgydF4y2Ba`用任意数量的观测值。gydF4y2Ba `D2gydF4y2Ba`是一个gydF4y2Ba`平方米gydF4y2Ba`——- - - - - -gydF4y2Ba`1gydF4y2Ba`距离向量，和gydF4y2Ba`D2 (k)gydF4y2Ba`观测值之间的距离是多少gydF4y2Ba`子gydF4y2Ba`而且gydF4y2Ba`ZJ (k,:)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

全部折叠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

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gydF4y2BaXgydF4y2Ba，使用最近邻方法定义一个局部邻域，并计算成对距离gydF4y2Ba $DgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba {tgydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba}$ 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 ${年代gydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba} ＝gydF4y2Ba 经验值gydF4y2Ba （gydF4y2Ba -gydF4y2Ba {（gydF4y2Ba \frac{DgydF4y2Ba 我gydF4y2Ba 年代gydF4y2Ba {tgydF4y2Ba}_{我gydF4y2Ba ，gydF4y2Ba jgydF4y2Ba}}{σgydF4y2Ba} ）gydF4y2Ba}^{2gydF4y2Ba} ）gydF4y2Ba$ ,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

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

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对于每个特性。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，定义为之间的差值gydF4y2BaDgydF4y2Ba_ggydF4y2Ba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

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

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

另请参阅gydF4y2Ba

fscmrmrgydF4y2Ba|gydF4y2BarelieffgydF4y2Ba|gydF4y2BasequentialfsgydF4y2Ba

主题gydF4y2Ba

特征选择简介gydF4y2Ba

fsulaplaciangydF4y2Ba

语法gydF4y2Ba

描述gydF4y2Ba

例子gydF4y2Ba

按重要性排列的特征gydF4y2Ba

使用指定相似度矩阵对特征进行排序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

NumNeighborsgydF4y2Ba- - - - - -gydF4y2Ba最近邻居数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-按特征重要性排序的特征索引gydF4y2Ba数值向量gydF4y2Ba

分数gydF4y2Ba-功能评分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

版本历史gydF4y2Ba

另请参阅gydF4y2Ba

主题gydF4y2Ba

`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

`NumNeighborsgydF4y2Ba`- - - - - -gydF4y2Ba最近邻居数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`-按特征重要性排序的特征索引gydF4y2Ba
数值向量gydF4y2Ba

`分数gydF4y2Ba`-功能评分gydF4y2Ba
数值向量gydF4y2Ba