عنوان مقاله: Supervised Discriminative Sparse PCA with Adaptive Neighbors for Dimensionality Reduction

چکیده مقاله:

کاهش ابعاد یک عمل مهم در تجسم اطلاعات ، استخراج ویژگی ها ، خوشه بندی ، رگرسیون ، طبقه بندی و به خصوص برای پردازش داده های پر نویزاست. با این حال ، بیشتر رویکردهای موجود ساختار عمومی یا محلی داده ها اما نه هردو، را حفظ می کنند. رویکردهایی که فقط ساختار داده عمومی را حفظ می کنند ، مانند تجزیه و تحلیل مؤلفه های اصلی (PCA) ، معمولاً نسبت به داده های خارج از محدوده حساس هستند. رویکردهایی که فقط ساختار داده محلی را حفظ می کنند ، مانند پیش بینی های مربوط به مکان ، معمولاً تحت نظارت نیستند (و از این رو نمی توانند از اطلاعات برچسب استفاده کنند) و از یک نمودار شباهت ثابت استفاده می کنند. ما یک رویکرد کاهش ابعاد خطی جدید ، PCA پراکنده با همسایگان تطبیقی نظارت شده (SDSPCAAN) ، به علاوه PCA پراکنده بدون نظارت و خوشه بندی شده با همسایگان سازگار را پیشنهاد می دهیم. در نتیجه ، از ساختارهای داده عمومی و محلی و همچنین اطلاعات برچسب برای کاهش ابعاد بهتر استفاده می شود. آزمایش طبقه بندی بر روی نه مجموعه داده ها دارای اعتبار و استحکام SDSPCAAN پیشنهادی ما است.

 

دانلود مقاله از کانال تلگرام

 

اشتراک اجتماعی

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *