利用稀疏主成分分析进行聚类与特征选择
人工智能
2008-10-08 v2 机器学习
数学软件
摘要
本文研究了稀疏主成分分析 (PCA) 在聚类和特征选择问题中的应用。稀疏 PCA 旨在寻找稀疏因子（即数据变量的线性组合），在仅包含有限个非零系数的同时解释数据中方差的最大部分。PCA 常被用作一种简单的聚类技术，而稀疏因子使我们能够用减少后的变量集来解释聚类结果。我们首先简要介绍稀疏 PCA 及其动机，并详述我们在 d'Aspremont 等人 (2005) 基础上的算法实现。随后，我们将这些结果应用于生物学中出现的一些经典聚类和特征选择问题。
引用
@article{arxiv.0707.0701,
title = {Clustering and Feature Selection using Sparse Principal Component Analysis},
author = {Ronny Luss and Alexandre d'Aspremont},
journal= {arXiv preprint arXiv:0707.0701},
year = {2008}
}
评论
More experiments