当前位置: X-MOL 学术Comput. Sci. Rev. › 论文详情
Conceptual and empirical comparison of dimensionality reduction algorithms (PCA, KPCA, LDA, MDS, SVD, LLE, ISOMAP, LE, ICA, t-SNE)
Computer Science Review ( IF 7.707 ) Pub Date : 2021-02-21 , DOI: 10.1016/j.cosrev.2021.100378
Farzana Anowar; Samira Sadaoui; Bassant Selim

Feature Extraction Algorithms (FEAs) aim to address the curse of dimensionality that makes machine learning algorithms incompetent. Our study conceptually and empirically explores the most representative FEAs. First, we review the theoretical background of many FEAs from different categories (linear vs. nonlinear, supervised vs. unsupervised, random projection-based vs. manifold-based), present their algorithms, and conduct a conceptual comparison of these methods. Secondly, for three challenging binary and multi-class datasets, we determine the optimal sets of new features and assess the quality of the various transformed feature spaces in terms of statistical significance and power analysis, and the FEA efficacy in terms of classification accuracy and speed.



中文翻译:

降维算法(PCA,KPCA,LDA,MDS,SVD,LLE,ISOMAP,LE,ICA,t-SNE)的概念和经验比较

特征提取算法(FEA)旨在解决导致机器学习算法无法胜任的维度诅咒。我们的研究从概念和经验上探索了最具代表性的有限元分析。首先,我们回顾了来自不同类别(线性与非线性,有监督与无监督,基于随机投影与基于流形)的许多有限元分析的理论背景,介绍了它们的算法,并对这些方法进行了概念比较。其次,对于三个具有挑战性的二元和多类数据集,我们确定最佳的新特征集,并根据统计显着性和功效分析评估各种变换特征空间的质量,并根据分类准确性和速度评估FEA功效。

更新日期:2021-02-21
全部期刊列表>>
2021新春特辑
SN Applied Sciences期刊征稿中
虚拟特刊
亚洲大洋洲地球科学
NPJ欢迎投稿
自然科研论文编辑
ERIS期刊投稿
欢迎阅读创刊号
自然职场,为您触达千万科研人才
spring&清华大学出版社
城市可持续发展前沿研究专辑
Springer 纳米技术权威期刊征稿
全球视野覆盖
施普林格·自然新
chemistry
物理学研究前沿热点精选期刊推荐
自然职位线上招聘会
欢迎报名注册2020量子在线大会
化学领域亟待解决的问题
材料学研究精选新
GIANT
ACS ES&T Engineering
ACS ES&T Water
屿渡论文,编辑服务
阿拉丁试剂right
上海中医药大学
哈工大
西湖大学
化学所
北京大学
山东大学
隐藏1h前已浏览文章
课题组网站
新版X-MOL期刊搜索和高级搜索功能介绍
ACS材料视界
南方科技大学
张凤娇
中国石油大学
天合科研
x-mol收录
试剂库存
down
wechat
bug