دانلود پاورپوینت مقاله آنالیز عناصر اصلی تنک مشترک

کاهش ابعاد یا بعدچندی، یک مسئله مهم در دسته بندی داده ها می باشد. هدف این کار، یادگیری یک ماتریس تبدیل برای افکنش داده های ابعاد زیاد به یک زیرفضای ابعاد کم است، بگونه ای که داده ها را بتوان بطور موثر در زیرفضای ابعاد کم، دسته بندی نمود. روش های بسیاری برای کاهش ابعاد وجود دارند و روش های کلاسیک، تحلیل مولفه های اصلی (PCA) و تحلیل ممیز خطی (LDA) می باشند. PCA یک روش بدون نظارتی است که اطلاعات داده ای را به یک فضای خطی متعامد، منتقل و تبدیل می کند. LDA یک روش نظارتی است که اطلاعات داده ای تبعیضی را با بیشینه سازی ماتریس پراکندگی بین کلاس، بیشینه می کند و در عین حال، ماتریس پراکندگی درون کلاس یا دسته را کمینه می کند.

این پاورپوینت در 30 اسلاید آماده شده و در ادامه نیز، اسلاید شماره 27 آن قرار داده شده است:

در این مقاله، JSPCA با سست سازی قید متعامد ماتریس تبدیل ، با معرفی ماتریس تبدیل دیگر  و تحمیل نرم های مشترک ℓ_2,1 برروی هر دو جمله اتلاف و منظم سازی، طراحی می شود. روش پیشنهادی، آزادی بیشتری برای انتخاب مشترک ویژگی های مفید برای یک نمایش ابعاد کم دارد و در برابر برون هشته ها، مقاوم و استوار است. یک الگوریتم ساده و اما موثر برای مسئله بهینه سازی طراحی می شود. یک سری تحلیل نظری به بحث گذاشته می شوند که تعدادی ویژگی های ذاتی روش پیشنهادی را آشکار می کنند. در اصل، JSPCA، یک PCA وزنی همراه با تنکی است. اجراهای تجربی برروی هشت دیتاست بنچمارک، امکان پذیری و اثربخش بودن JSPCA در مقایسه با PCA اصلی و انواع آن را نشان می دهند.