常见的降维算法：
线性方法
-
主成分分析（Principal Component Analysis,PCA）、
-
对应分析（Correspondence Ahalysis,CA)、
-
多重对应分析（Multiple Corresspondence Analysis,MCA）、
-
经典多维尺度分析（classical multidimensional scaling,cMDS）、
-
主坐标分析（Principal Coordinate Analysis,PCoA）。
以上这些方法，常用于保留数据的整体性；
非线性的方法
-
核主成分分析（Kernel Principal Component Analysis,Kernel PCA）、
-
非度量多维尺度分析（Nonmetric Multidimensional Scaling,NMDS）、
-
等度量映射（lsomap）、
-
扩散映射（Diffusion Maps）、
-
t分布随机嵌入（t-Distributed Stochastic Neighbor Embedding,t-SNE）在内的邻近嵌入技术
最后
以上就是曾经飞鸟最近收集整理的关于常见的降维算法的全部内容，更多相关常见内容请搜索靠谱客的其他文章。
本图文内容来源于网友提供，作为学习参考使用，或来自网络收集整理，版权属于原作者所有。
发表评论 取消回复