一種線性辨別分析的可擴展的近似算法.pdf_第1頁
已閱讀1頁,還剩57頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

1、Fisher線性辨別分析(FisherLinearDiscriminantAnalysis,LDA)是一種經典的用于處理分類問題的有監(jiān)督的降維方法。傳統(tǒng)的LDA算法主要面臨的問題是“奇異性問題”,即當訓練數據的散布矩陣(ScatterMatrix)奇異時,傳統(tǒng)算法不再成立。近年來,研究者們提出了許多LDA的改進算法,用于處理“奇異性問題”,其中包括一些兩階段的近似算法,包括PCA+LDA算法和LDA\QR算法。這些算法首先通過一些其他降

2、維方法將原始數據集降到一個中間維度,使得降維后的協(xié)防差矩陣不再奇異,再在降維后的數據上使用傳統(tǒng)的LDA算法進一步降低原數據的維度。同時,傳統(tǒng)的LDA算法由于有較高的時間復雜度,可擴展性不高,因而無法應用在大規(guī)模數據上。這些兩階段的算法,由于是傳統(tǒng)LDA算法的一個近似,相比傳統(tǒng)的LDA算法有較高的可擴展性。然而,目前對于這類兩階段LDA算法的有效性缺乏理論上的研究。
  本文首先對一類兩階段的LDA算法的近似誤差進行了理論分析,提出

3、了兩階段算法近似誤差的一個理論界。根據該理論結果,本文提出了一種新的兩階段的LDA算法。實驗證明,該算法相較于PCA+LDA算法和LDA\QR算法,有更高的精確度。另一方面,由于本算法的主要部分是一個奇異值分解,應用近年提出的一種基于隨機投影的奇異值分解算法,本算法也擁有較高的可擴展性,可用于大規(guī)模的數據上。
  MapReduce是一個流行的分布式計算軟件構架,它可以支持大規(guī)模數據的分布式處理。本文描述了本算法在MapReduc

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論