Ich frage mich, ob jemand eine intuitive Möglichkeit zu erklären, wie der maximale Varianz Entfaltungsalgorithmus funktioniert und den Unterschied zwischen dieser und maximalen Varianzkorrektur kennen und teilen könnte. Ich versuche immer noch, meinen Kopf um vielseitiges Lernen und semidefinite Programmierung im Allgemeinen zu wickeln, und würde jede Hilfe schätzen, alles zusammen zu binden.maximale Varianz Entfaltung
Vielen Dank!
Die maximale Varianzentfaltung (MVU) kann als nichtlineare Generalisierung der Hauptkomponentenanalyse angesehen werden. MVU ist also ein Ansatz zur nichtlinearen Dimensionsreduktion. Das Ziel der maximalen Varianzentfaltung ist es, treue niederdimensionale Darstellungen von hochdimensionalen Daten zu lernen.
PCA funktioniert schlecht, wenn die wichtigsten Modi der Variabilität nichtlinear sind und MVU versucht, sie zu verbessern. Der Algorithmus für die maximale Varianzentfaltung basiert auf einer einfachen Intuition. Stellen Sie sich vor, die Eingänge sind mit ihren k nächsten Nachbarn durch starre Stäbe verbunden. (Der Wert von k ist der freie Parameter des Algorithmus.) Der Algorithmus versucht, die Eingänge auseinander zu ziehen, wobei die Summe ihrer paarweisen Abstände maximiert wird, ohne die starren Stäbe zu brechen (oder zu dehnen), die die nächsten Nachbarn verbinden. Die Ausgaben werden aus dem Endzustand dieser Transformation erhalten.
Der Algorithmus kann wie folgt zusammengefasst werden:
(1) Form a graph that connects each point to its k neighbors.
(2) Add additional edges by connecting points that are common neighbors of another point in the data set.
(3) Compute the Gram matrix (centered on the origin) that corresponds to the maximum data variance and also preserves the distances between all connected points.
(4) Find the lower dimensional embedding using kernel PCA.
ich Sie ermutigen würde durch diese document zu gehen.