典型文献
基于t类加权核函数的主成分分析维度约简算法
文献摘要：
目前众多数据具有高维度特点,含有大量与类别标签无关的特征.直接应用机器学习方法对其进行分类,不仅会消耗大量的时间,而且难以获得较好的分类性能.针对该问题,文章提出一种基于加权核主成分分析(WKPCA)的维度约简算法,依据核矩阵特征值构造核函数权重,将多个核函数进行组合加权,进而达到特征降维的目的;为了提高WKPCA的维度约简效率,构造了t类核函数并且给出了相应的理论证明;以支持向量机、随机森林和朴素贝叶斯为分类器,对6个真实的数据集进行试验分析,结果表明与全变量模型、线性主成分降维以及单个核函数降维相比,WKPCA维度约简算法可以有效提高目前主流机器学习方法的分类预测性能.
文献关键词：
加权核主成分分析;t类核函数;维度约简;核函数权重
中图分类号：
作者姓名：
刘文博;梁盛楠;董小刚
作者机构：
黔南民族师范学院数学与统计学院;黔南州复杂系统与智能优化实验室,贵州都匀558099;长春工业大学数学与统计学院,长春130012
文献出处：
引用格式：
[1]刘文博;梁盛楠;董小刚-.基于t类加权核函数的主成分分析维度约简算法)[J].统计与决策,2022(09):52-56
A类：
加权核主成分分析,WKPCA,核函数权重
B类：
维度约简,简算,高维度,接应,机器学习方法,难以获得,分类性能,核矩阵,特征降维,朴素贝叶斯,分类器,试验分析,分类预测,预测性能
AB值：
0.172345
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
