問題タブ [dimensionality-reduction]

マニホールド学習法を使用して、次元を縮小して RGB 画像をグレーにしようとしています。

画像を numpy 配列 (image_array) に変換しました

image_array を調べる

(273280、3)

しようとすると、

私は得る

ValueError: アンパックする値が多すぎます。

これを回避する方法はありますか？

ALS と SVD の両方に次元削減が含まれますか? もしそうなら、2 つの方法の違いは何ですか? 一見すると、なぜそれらが同じではないのかわかりません。

Matlab で実行する次の実験を念頭に置いており、手順 (3) を実装するための支援を求めています。どんな提案でも大歓迎です。

(1) 確率変数XとY両方の一様分布を考える[0,1]

(2)とが独立していると仮定して、 とNの同時分布から実現を導きます (つまり、とは に一様に同時分布することを意味します)。各抽選は で行われます。XYXYXY[0,1]x[0,1][0,1]x[0,1]

(3) ヒルベルト空間充填曲線を使用してドローイン内の各ドローインを変換します[0,1]x[0,1]。[0,1]ヒルベルト曲線マッピングの下で​​は、ドローインは 内[0,1]x[0,1]の 1 つ (または全射性のために複数) の点の画像になり[0,1]ます。この中から1点選びたいと思います。これを行うMatlabにビルド済みのパッケージはありますか?

ドローのヒルベルト値（曲線の開始点から選択した点までの曲線の長さ）を取得する方法を説明しているので、私が望むことをしているとは思わないこの答えを見つけました

ウィキペディアで、このコードを C 言語 (から(x,y))dで見つけましたが、これも私の質問を満たしていません。

PCA と ICA の両方が次元削減に使用され、PCA では主成分が直交している (必ずしも独立しているとは限りません) ことを知っていますが、ICA ではそれらは独立しています。PCA ではなく ICA を使用する方がよい場合を明確にしてください。

大規模なイベント データに対して特異値分解を実行したいと考えています。300以上の属性があるとしましょう。アトラスの 50% は文字列値です。都市名やその他の可能な文字列値のように。

私の知る限り、SVDは数値間の距離を計算することで次元削減を行います。非常に多くの文字列値がある場合、どうすれば達成できますか?

編集：コメントと私の誤解のために言い直してください。テキスト値に対して次元削減を行う方法を知りたいです。

多次元スケーリングを実行した後、固有値を調べることに興味があります。どの機能がそれを行うことができますか? ドキュメントを見ましたが、固有値についてはまったく言及されていません。

コードサンプルは次のとおりです。

を使用して PCA のさまざまな形状を取得していsklearnます。 ドキュメントが言うように、私の変換が同じ次元の配列にならないのはなぜですか?

(150, 4)私が 4 台の PC を作成している iris データセットでこれを確認してください。

しかし、実際のデータセットで同じ正確なアプローチを使用すると、(76, 1989)代わり76 samplesに配列1989 attributes/dimensionsが得られます(76, 76)(76, 1989)

normalizemeanは、各次元からを減算する、私が作成した単なるラッパーです。