Lokalizirani rezanog Inverzna regresije

Ovo je MATLAB funkcija koja implementira metodu predložene u novinama “Lokalizovani rezanog Inverzni regresija” Wu et.al (2008) iz Odjela za statistiku znanosti na Duke University. To omogućava za nadziranu smanjenje dimenzija na nelinearnom potprostora i ublažava problem degeneracije u klasičnom rezanog Inverzni regresije (SIR) metodom uzimajući u obzir lokalne strukture ulaznih varijabli. Preuzmite ovdje (.m datoteke).

Ulazi i izlazi

Inputa ove funkcije treba da se sastoji od kovarijat matrice X sa stupovima odgovaraju zapažanja i redova dimenzije (ulazne varijable), a vektor odgovor Y duljine jednak broj stupaca X, broj efektivnih smanjenja dimenzija (EDR) Dimenzije D , a regulisanje parametar e, i (opcionalno) strukturu tip varijabla koja određuje obavljanje regresije ili klasifikacije, broj kriške i broja najbližeg susjeda. Funkcija će se vratiti strukturu varijabla koja sadrži procijenjene EDR pravaca i nekih drugih količinama. Pokušajte “Help LSIR” u komandnoj liniji za više detalja.

Primjeri

Tai-Chi

U ovom poglavlju ćemo ilustrirati kako smanjenje dimenzija obavlja razmatra klasifikaciji problem za podatke o Tai Chi-. U kovarijantne matrica X ima šest redova (dakle šest dimenzija). Ilustraciju prve dvije dimenzije je prikazano na slici 1 (a). Treći na šesto dimenzije su nezavisni slučajne greške. Broj stupaca (veličina uzorka) uzima se 1000 (500 za svaki od crvene i plave poena). Odgovor Y je jednostavno vektor -1 i 1 s -1 odgovaraju crveni poena i 1 plavi poena.

Sada očito pravi EDRs bi trebao biti (E1, E2) gdje e1 = (1,0,0,0,0,0) ‘i e2 = (0,1,0,0,0,0)’. Može se tip:

[LS] = LSIR (X, Y, 2, 0, odlučuje);

u komandnoj liniji sa opts.pType = ‘C’ i opts.numNN = 10. Treći argument govori funkciju da izabere 2 EDRs, a četvrti argument postavlja regularizacije parametar biti 0. odlučio se je struktura: opts.pType = ‘C’ znači obavljanje klasifikaciju i opts.numNN = 10 označava broj najbližih susjeda se uzima 10.

Izlaz LS je struktura, a najčešće LS.edrs koji predstavlja procjenu EDRs je briga. Kucanjem “zemljište (LS.edrs (:, 1) ‘* X (:, Y == 1), LS.edrs (:, 2)’ * X (:, Y == 1))”, a zatim “drže na; parceli (LS.edrs (:, 1) ‘* X (:, Y == – 1), LS.edrs (:, 2)’ * X (:, Y == – 1)) “jedan projektuje trening podaci X na procijenjenu 2 EDRs i vizualizuje to. Rezultirajući figura je prikazana na slici 1 (b). Također smo formirati nezavisnu test skup formatirana kao što su X i ponovite projekta i vizualizacije postupak, a rezultat figura je prikazana na slici 1(C).

Slika 1: Prve dvije dimenzije podataka Tai-Chi (a), projekcija (na procijenjenu prva dva EDRs) podataka treninga (b) i projekcija (na procijenjenu prva dva EDRs) nezavisnog podaci o ispitivanju (c) .
\ includegraphics [totalheight = 2.5in] {taichi.jpg}

Za sva pitanja i komentare molimo Vas e-mail km68 na stat dot vojvoda dot Edu. Hvala.

Related Posts

No Comments

Leave a Reply