知识卡片
LLE先求权重再求坐标
在高维空间为每点求邻居权重,使邻点加权和尽量接近该点,约束权重和为1。低维阶段固定权重、改求点坐标,再通过正交约束和去掉常量特征向量避免退化。原始算法直接嵌入已有样本,新样本需要额外处理。
结构图:
flowchart TD
X[高维样本] --> N[为每个点寻找近邻]
N --> W[求邻居的重构权重]
W --> Y[固定权重求低维坐标]
Y --> R[去掉常量方向并保留非平凡坐标]
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 非线性降维及其应用 LLE保存邻域重构 · 查看原书依据
优化模型与式(10.3)类似,局部线性拓扑性质通过权重矩阵W来保持。与高维空间不同的是,此时权重矩阵是已知的,高维样本集X对应的低
参考来源
- 位置:《机器学习基础》第10章,10.1 局部线性嵌入(book-source:extracted/机器学习基础/_epub-src/EPUB/xhtml/chapter64.xhtml)
- 结论依据:原文借「局部线性拓扑性质通过权重矩阵W来保持」处的论述给出本卡所解释的关系或做法。
- 原始内容:优化模型与式(10.3)类似,局部线性拓扑性质通过权重矩阵W来保持。与高维空间不同的是,此时权重矩阵是已知的,高维样本集X对应的低