Многолинейное подпространственное обучение

Многолинейное обучение в подпространстве Основы многолинейного изучения подпространства Многолинейное изучение подпространства используется для выявления причинно-следственных связей и уменьшения размерности данных.  […]

Многолинейное обучение в подпространстве

  • Основы многолинейного изучения подпространства

    • Многолинейное изучение подпространства используется для выявления причинно-следственных связей и уменьшения размерности данных. 
    • Тензоры данных могут быть векторизованы или объединены в матрицы, что позволяет выполнять многолинейные проекции. 
  • Алгоритмы многолинейного обучения

    • Алгоритмы многолинейного обучения являются обобщениями традиционных методов уменьшения размерности, таких как PCA, ICA, LDA и CCA. 
    • Они могут быть причинно-следственными или регрессионными, в зависимости от контекста данных. 
    • Методы включают MPCA, UMPCA, UMLDA, TCCA, MCCA, BMTF и другие, основанные на различных проекциях тензоров данных. 
  • Реализация и примеры

    • Для реализации алгоритмов многолинейного обучения используются различные пакеты программного обеспечения, включая MATLAB Tensor Toolbox. 
    • Приведены примеры наборов данных, таких как 3D-данные о походке, для иллюстрации возможностей многолинейного анализа. 
  • Рекомендации

    • Статья содержит ссылки на другие темы, такие как декомпозиция CP, уменьшение размеров и многолинейная алгебра, для дальнейшего изучения. 

Полный текст статьи:

Многолинейное подпространственное обучение — Википедия

Оставьте комментарий

Прокрутить вверх