1 / 39

Sűrűségfüggvény Parzen becslés Mintapontszám, szigma

Sűrűségfüggvény Parzen becslés Mintapontszám, szigma. Küszöb hatása távolságnál. (távolságnál). Skálázás hatása. Skálázás hatása. K-means. Kohonen map. Kiinduló adatok. SOM (Kohonen) kiinduló számos iteráció után. Kohonen map.

tanner-hickman
Download Presentation

Sűrűségfüggvény Parzen becslés Mintapontszám, szigma

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Sűrűségfüggvény Parzen becslés Mintapontszám, szigma

  2. Küszöb hatása távolságnál (távolságnál)

  3. Skálázás hatása

  4. Skálázás hatása

  5. K-means

  6. Kohonen map

  7. Kiinduló adatok

  8. SOM (Kohonen) kiinduló számos iteráció után

  9. Kohonen map

  10. SOM eredmény Szövegbányászati alkalmazás Több mint 12000 dokumentum feldolgozás Világos helyek sűrűsödések

  11. NN klaszterezés: két Gauss eloszlású mintakészlet; hozzáadva egy pontot a helyzet nagyon megváltozik

  12. Példa PCA alkalmazásáraképtömörítésnél.

  13. Sajátértékek alakulása

  14. Azelső 20 legfontosabbsajátvektor (sajátkép)

  15. A 141-160 saját értékekheztartozósajátképek

  16. Kernel PCA A sajátvektorok normalizálása A sajátvektorra vett vetület:

  17. A nulla várhatóérték biztosítása a jellemzőtérben Kapcsolat a nulla várhatóértékű és az eredeti kernelmátrixok között

  18. Nemlineáris főkomponens probléma: tesztfeladatok

  19. Kernel PCA egyre magasabb-fokú polinom kernellel fokszám: 1 2 3 4 Az első három sajátvektor „irány” a bemeneti térben ábrázolva Konstans főkom- ponens értékek vonalai a bemeneti térben ábrázolva

  20. PCA-KPCA zajszűrő hatás összehasonlítása Gauss zaj pontszerű zaj PCA KPCA Gauss kernel

  21. Független komponens analízis, ICA Alapprobléma: Statisztikai függetlenség és korrelálatlanság Nemgauss-ság szupergauss (pl. exponenciális), szubgauss (pl. egyenletes) Mintapéldák időfüggvények, hangfájlok, 2D mintapontkészlet http://research.ics.aalto.fi/ica/cocktail/cocktail_en.cgi

  22. 3 eredeti jel

  23. 3 megfigyelt kevert jel

  24. 3 visszaállított jel

  25. 3 eredeti jel 3 visszaállított jel

  26. ICA Momentumok, centrális momentumok kurtózis, normalizált kurtózis, fehérített eset

  27. ICA Információelméleti alapfogalmak entrópia Differenciális entrópia (folytonos valószínűségi változónál)

  28. ICA Különböző megközelítések • Nemgauss-ság alapon, • kurtózis, mivel a Gauss kurtózisa nulla • szub Gauss, szuper Gauss Keressük z1-et és z2-t z1=1 és z2=0 vagy fordítva

  29. Nemgauss-ság alapon, • negentrópia, mivel a Gauss entrópiája maximális • (ha a kovariancia mátrix azonos) • A negentrópia mindig nemnegatív és csak akkor nulla, ha y Gauss

  30. Kölcsönös információ minimalizálása alapján A komponensenkénti entrópiák összege és az együttes entrópia különbsége ... ML becslés alapon Megfelelő vetítési irány keresése alapon Nemlineáris PCA alapon ... Előfeldolgozás: fehérítés Gyors algoritmusok:

  31. Mi maradt ki: Sokminden : regresszió, osztályozás, klaszterezés dinamikus modellek (pl. HMM) hiányzó adatok kezelése, inputation, EM algoritmus ...

More Related