drtoolbox是一个降维工具箱集成了众多流行的降维算法

1.drtoolbox支持以下34种降维算法

Principal Component Analysis ('PCA')

Linear Discriminant Analysis ('LDA')

Multidimensional scaling ('MDS')

Probabilistic PCA ('ProbPCA')

Factor analysis ('FactorAnalysis')

Sammon mapping ('Sammon')

Isomap ('Isomap')

Landmark Isomap ('LandmarkIsomap')

Locally Linear Embedding ('LLE')

Laplacian Eigenmaps ('Laplacian')

Hessian LLE ('HessianLLE')

Local Tangent Space Alignment ('LTSA')

Diffusion maps ('DiffusionMaps')

Kernel PCA ('KernelPCA')

Generalized Discriminant Analysis ('KernelLDA')

Stochastic Neighbor Embedding ('SNE')

Symmetric Stochastic Neighbor Embedding ('SymSNE')

t-Distributed Stochastic Neighbor Embedding ('tSNE')

Neighborhood Preserving Embedding ('NPE')

Locality Preserving Projection ('LPP')

Stochastic Proximity Embedding ('SPE')

Linear Local Tangent Space Alignment ('LLTSA')

Conformal Eigenmaps ('CCA', implemented as an extension of LLE)

Maximum Variance Unfolding ('MVU', implemented as an extension of LLE)

Landmark Maximum Variance Unfolding ('LandmarkMVU')

Fast Maximum Variance Unfolding ('FastMVU')

Locally Linear Coordination ('LLC')

Manifold charting ('ManifoldChart')

Coordinated Factor Analysis ('CFA')

Gaussian Process Latent Variable Model ('GPLVM')

Deep autoencoders ('Autoencoder')

Neighborhood Components Analysis ('NCA')

Maximally Collapsing Metric Learning ('MCML')

Large Margin Nearest Neighhbor metric learning ('LMNN')

下载drtoolbox

2.安装

将压缩文件解压，并把整个文件夹拷贝到MATLAB安装的根目录“toolbox”内。

3.使用

下面举一个例子

3.1生成数据（或加载自己的数据）

	[X, labels] = generate_data('helix', 2000);%生成数据X
	figure, scatter3(X(:,1), X(:,2), X(:,3), 5, labels); title('Original dataset'), drawnow

 

X是一个包含2000个样本点的3维特征向量数据，包含两个类别。

3.2用极大似然估计（Maximum Likelihood Estimate，MLE），来预估一下降到多少维度合理。

	no_dims = round(intrinsic_dim(X, 'MLE'));
	disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);

这一步在实际高纬度降维时，可以不做，直接跳到3.3，自己设定降维维度。这个例子里MLE建议降到2维。

3.3用降维算法进行降维

	[mappedX, mapping] = compute_mapping(X, 'PCA', no_dims);	
	figure, scatter(mappedX(:,1), mappedX(:,2), 5, labels); title('Result of PCA');

 

这里使用了常规的PCA来降维。

	[mappedX, mapping] = compute_mapping(X, 'Laplacian', no_dims);	
	figure, scatter(mappedX(:,1), mappedX(:,2), 5, labels(mapping.conn_comp)); title('Result of Laplacian Eigenmaps'); drawnow

 

这里使用了常规的Laplacian映射来降维。

3.4函数说明

[mappedX, mapping] = compute_mapping(X, 'method name', Dimension)

X是一个特征矩阵，行数是样本数量，列数是特征维度；

'method name'是所使用的降维算法，使用时请使用上面例举的34种方法('XXXX')内的名字或者缩写带入；

Dimension是所要降到的维度，一般小于原始矩阵X的列数；

mappedX是降维后的特征矩阵；

mapping是降维的映射信息。

Last Update: 2021/9/10