降维

[poster]

我正在尝试将高维数据集减少为二维。但是，我无法预先访问整个数据集。因此，我想生成一个接受N维向量并返回2维向量的函数，这样，如果我将其提供给在N维空间中接近的向量，则结果在2维中就接近空间。

我以为SVD是我需要的答案，但我无法使其正常运行。

为简单起见，让N = 3并假设我有15个数据点。如果我将所有数据预先放在15x3的矩阵X中，则：

[U, S, V] = svd(X); s = S; %s is a the reduced version of S, since matlab is case-sensitive. s(3:end,3:end)=0; Y=U*s; Y=Y(1:2,:); 做我想要的。但是，假设我得到一个新的数据点A，一个1x3向量。有没有办法使用U，S或V将A转换为适当的1x2向量？

如果SVD是一个失败的原因，有人可以告诉我我应该怎么做吗？

注意：这是Matlab代码，但是我不在乎答案是C，Java还是数学。如果您看不懂Matlab，请询问，我会澄清。


回答：
SVD是一种很好的方法（可能）。 LSA（潜在语义分析）基于它，并且具有基本相同的维度方法。我已经在（ lsa-latent-semantic-analysis-how-to-code-it-it-php ）中讨论了这一点（或详细介绍过），或在此处查看LSA标签。

我意识到这是一个不完整的答案。如果您需要更多帮助，请联系Holler！



更多&回答...