Red de conocimiento informático - Conocimiento de la instalación - Algoritmo de reconocimiento de patrones

Algoritmo de reconocimiento de patrones

Para la parte teórica específica del algoritmo LLE, puede consultar /people/xzj/introducelle.htm

Incrustación localmente lineal (LLE), utilizando este algoritmo se puede realizar una dimensionalidad no lineal. La clave es que puede mantener la estructura topológica original de los datos dimensionalmente reducidos.

Primero, proporcione una imagen obtenida mediante el siguiente algoritmo. La primera imagen de la imagen.

La. El algoritmo LLE se puede resumir en tres pasos:

(1) encontrar k puntos vecinos más cercanos de cada punto de muestra;

(2) calcular la reconstrucción local de cada punto de muestra desde el más cercano puntos vecinos de la matriz de peso del punto de muestra;

(3) Calcule el valor de salida del punto de muestra a partir de la matriz de peso de reconstrucción local del punto de muestra y sus puntos vecinos.

son los datos originales y el tercero son los datos después de la reducción de dimensionalidad. Se puede ver que los datos de baja dimensión procesados ​​mantienen la estructura topológica original.

Además, no estoy muy familiarizado con el algoritmo LLE. Aquí presentaré el uso de otros algoritmos de reducción de dimensionalidad, tomando el algoritmo SVD como ejemplo.

Recomendaciones de películas.

(1) Supongamos que ahora hay una matriz bidimensional de calificaciones de películas y usuarios. El contenido de la matriz es la calificación de la película por parte del usuario. algunas películas, para que el usuario recomiende películas que le puedan gustar.

(2) Suponiendo que hay 1 millón de usuarios y 1 millón de películas, entonces, para cualquier algoritmo de recomendación, la cantidad de datos es muy grande y el problema no se puede resolver en una sola máquina;

(3) Debe haber algunas características casi sin importancia en estos 1 millón de características dimensionales. En este momento, necesitamos usar un algoritmo de reducción de dimensionalidad para reducir la dimensión. características para simplificar la operación;

(4) En este ejemplo, el algoritmo SVD (o SVD) se puede utilizar para reducir la dimensión de la matriz

Similitud de imagen

(1) Por lo general, al juzgar la similitud de las imágenes, la imagen primero se convertirá en una matriz representada por valores numéricos mediante la transformada de Fourier. En términos generales, cuanto mayor sea la dimensión de la matriz, más preciso será

? (2) De manera similar, cuando la dimensionalidad es demasiado alta, el costo del cálculo de similitud es muy alto, por lo que también se requiere el algoritmo de reducción de dimensionalidad comúnmente utilizado en la imagen. el reconocimiento de similitud es el algoritmo PCA;

En resumen, reducción de dimensionalidad El propósito es reducir la dimensionalidad de las características y reducir el costo de las operaciones.

Las anteriores son todas mis humildes opiniones, corríjame si tiene alguna duda.