Python知識(shí)分享網(wǎng) - 專業(yè)的Python學(xué)習(xí)網(wǎng)站 學(xué)Python,上Python222
PyQt5中文教程 PDF 下載
匿名網(wǎng)友發(fā)布于:2023-11-27 10:19:00
(侵權(quán)舉報(bào))
(假如點(diǎn)擊沒(méi)反應(yīng),多刷新兩次就OK!)

PyQt5中文教程 PDF 下載  圖1

 

 

 

資料內(nèi)容:

 

 

1.5.1圖特征選擇
現(xiàn)實(shí)世界中的數(shù)據(jù)通常是高維度的,并且存在嘈雜的、不相關(guān)和多余的特征
維度,尤其是在考慮給定任務(wù)時(shí)。特征選擇旨在自動(dòng)地選擇一小部分特征,這些子
具有最小的冗余度但與學(xué)習(xí)目標(biāo)例如在監(jiān)督學(xué)習(xí)中的類標(biāo)簽最大相關(guān)性。
許多應(yīng)用中,原始特征對(duì)于知識(shí)提取和模型解釋至關(guān)重要例如,在用于研究癌
癥的遺傳分析中除了區(qū)分癌組織,鑒定誘導(dǎo)癌發(fā)生的基因原始特征更重要。
在這些應(yīng)用中特征選擇是優(yōu)先考慮的,因?yàn)樗梢员A粼?/span>特征并且它們的語(yǔ)
義通常為學(xué)習(xí)問(wèn)題提供關(guān)鍵的見(jiàn)解和解釋。傳統(tǒng)特征選擇假定數(shù)據(jù)實(shí)例是獨(dú)立同分
布的i.i.d.然而,許多應(yīng)用中的數(shù)據(jù)樣本都鼠人在圖上,此它們?cè)诒举|(zhì)上不是
獨(dú)立同分布的,這推動(dòng)了圖特征選擇的研究領(lǐng)域。給定圖g = {v,£},其中V是節(jié)
點(diǎn)集,是邊集假設(shè)每個(gè)節(jié)點(diǎn)最初都與一組維度為d的特征T =
相關(guān)聯(lián)。圖特征選擇旨在從尸中選擇K個(gè)特征,其中K " 首先,在有監(jiān)督的
情況下對(duì)該問(wèn)題進(jìn)行了研究5, 6。這些方法使用線性分類器將所選特征映射到類別標(biāo)
,并引人圖正則化項(xiàng),以捕獲結(jié)構(gòu)信息來(lái)選擇特征。特別地該正則項(xiàng)旨在確保具
有所選特征的連接的節(jié)點(diǎn)可以映射到相似的標(biāo)簽中。然后,在無(wú)監(jiān)督的情況下對(duì)問(wèn)題
進(jìn)行了進(jìn)一步研究7&9j。在文獻(xiàn)9它首先從結(jié)構(gòu)信息中提取偽標(biāo)簽,后用偽
標(biāo)簽充當(dāng)監(jiān)督信息指導(dǎo)特征選擇過(guò)程。在文獻(xiàn)⑺中假定節(jié)點(diǎn)內(nèi)容和結(jié)構(gòu)信息都是
從一組高質(zhì)量的特征中生成的,而這些特征可以通過(guò)最大化生成過(guò)程獲得。在后續(xù)的
作中問(wèn)題從簡(jiǎn)單圖擴(kuò)展到復(fù)雜圖,例如動(dòng)態(tài)圖1。}、多維圖、有符號(hào)圖2.13
和屬性圖網(wǎng)。1章緒論
1.5.2圖表示學(xué)習(xí)
與圖特征選擇不同,圖表示學(xué)習(xí)是學(xué)習(xí)一組新的節(jié)點(diǎn)特征它已經(jīng)被深入研究了
數(shù)十年,并且通過(guò)深度學(xué)習(xí)得到了極大的加速本節(jié)將簡(jiǎn)要回顧從淺層模型到深層模
型的歷史過(guò)程。
在早期階段,圖表示學(xué)習(xí)已經(jīng)在譜聚類15, 16、基于圖的降維17,18,19和矩陣分
0 18. 19的背景下進(jìn)行了研究。在譜聚類中,數(shù)據(jù)點(diǎn)被視為圖的節(jié)點(diǎn),然后聚類
問(wèn)題變成了將圖劃分為節(jié)點(diǎn)社區(qū)。譜聚類的關(guān)鍵一步是譜嵌入,它旨在將節(jié)點(diǎn)嵌入低
維空間中,在該空間中可以將傳統(tǒng)的聚類算法K-Means 應(yīng)用于識(shí)別聚類
于圖的降維技術(shù)可以直接應(yīng)用于學(xué)習(xí)節(jié)點(diǎn)表示。這些方法通常基于數(shù)據(jù)樣本的原始特
,使用預(yù)定義的距離或相似度函數(shù)構(gòu)建親和度圖,然后通過(guò)保留該親和度圖的
結(jié)構(gòu)信息學(xué)習(xí)節(jié)點(diǎn)表示。例如,IsoMap網(wǎng)通過(guò)測(cè)地線保留全局幾何,LLEP9
eigenmap阿保留親和圖中的局部鄰域信息。因?yàn)榍笆龇椒ń?jīng)常需要在親和矩陣
接矩陣或拉普拉斯矩陣上進(jìn)行特征分解,所以它們通常具有很高的計(jì)算復(fù)雜度。
陣是表示圖例如鄰接矩陣和拉普拉斯矩陣最流行的方法之一。矩陣分解可以自然
地應(yīng)用于學(xué)習(xí)節(jié)點(diǎn)表示。使用鄰接矩陣來(lái)表示圖作為示例,矩陣分解的目的是將節(jié)點(diǎn)
嵌入低維空間中,在該空間中可以利用新的節(jié)點(diǎn)表示重建鄰接矩陣。文檔語(yǔ)料庫(kù)可以
表示以文檔和單詞為節(jié)點(diǎn)的二分圖,如果一個(gè)單詞出現(xiàn)在某個(gè)文檔中9單詞和對(duì)應(yīng)
的文檔之間存在一條邊。LSI已采用截?cái)嗥娈愔捣纸?/span>truncated SVD學(xué)習(xí)文檔和
單詞的表示形式網(wǎng)。在推薦系統(tǒng)中,用戶和商品之間的交互可以表示為二分圖。
陣分解既被用于推薦系統(tǒng)學(xué)習(xí)用戶和商品的表示⑵,也被用于節(jié)點(diǎn)分類22, 23、鏈接
預(yù)測(cè)2,2切和社區(qū)檢測(cè)26等任務(wù)學(xué)習(xí)節(jié)點(diǎn)表示。實(shí)際上后文介紹的一系列最新的
圖嵌入算法也可以歸為矩陣分解27。