图像降维之MDS特征抽取方法

全面总结现有的数据降维方法，对具有代表性的降维方法进行了系统分类，详细地阐述了典型的降维方法，并从算法的时间复杂度和优缺点两方面对这些算法进行了深入的分析和比较。最后提出了数据降维中仍待解决的问题。

这是本人2018年6月初的毕业论文，当时网上并没有相关资料，因此属于原创，如有雷同，纯属巧合。由于想清楚这个课题离交稿只有三天，由于时间关系，所以论文中的实验结果是不对的，我将在后续博客中公布正式结果

针对PCA数据降维，取出每一主成分的贡献率并按从大到小元素排列，以实现数据降维。需要注意的是，features表示的是样本数而非浓度代表。

PCA降维是一种常用的数据降维算法，通过对数据的主成分进行分析，可以将高维数据映射到低维空间。在Python中，我们可以使用NumPy和sklearn库来实现PCA降维。首先，导入NumPy和skle

我们研究了广义的狄拉克-伯恩-因费尔德（DBI）行为，该行为描述了以-q形式（q+1）形式背景的p-薄膜结尾的q-薄膜。此操作在交换和非交换设置中具有等效描述，可以从广义度量和Nambu-Sigma模

两个文件，一个是pca实现类，一个是test运行类

LLE算法可以归结为三步:(1)寻找每个样本点的k个近邻点；（2）由每个样本点的近邻点计算出该样本点的局部重建权值矩阵；（3）由该样本点的局部重建权值矩阵和其近邻点计算出该样本点的输出值。

利用pca将得到的高维特征向量集进行降维，注意看里面的注解，看到降维后的主分量就是你要的东西。可以运行，麻烦好评。谢谢

机器学习基础——降维PPT

该算法能很好将多行多列的大矩阵降维得到数目固定的小矩阵，作为神经网络或其它的输入。