M-ar-K-Fast 独立分量分析
机器学习
2021-08-19 v1 人工智能
计算机视觉与模式识别
数据结构与算法
信息检索
信息论
math.IT
摘要
本研究提出 m-arcsinh 核（'m-ar-K'）快速独立分量分析（'FastICA'）方法（'m-ar-K-FastICA'）用于特征提取。核技巧已使降维技术能够捕捉数据中更高程度的非线性；然而，用于辅助特征提取的可复现开源核仍有限，且在从熵数据投影特征时可能不可靠。m-ar-K 函数可免费在 Python 中使用并兼容其开源库 'scikit-learn'，现将其与 FastICA 结合，以在数据中高度随机性存在时实现更可靠的特征提取，减少对预白化的需求。考虑了与五个（N = 5）不同信息熵程度的开放获取数据集相关的不同分类任务，这些数据集来自 scikit-learn 与加州大学欧文（UCI）机器学习库。实验结果表明所提特征提取带来了分类性能的提升。该新颖的 m-ar-K-FastICA 降维方法与 'FastICA' 黄金标准方法进行比较，支持其更高的可靠性与计算效率，无论数据中潜在的不确定性如何。
引用
@article{arxiv.2108.07908,
title = {M-ar-K-Fast Independent Component Analysis},
author = {Luca Parisi},
journal= {arXiv preprint arXiv:2108.07908},
year = {2021}
}
备注
17 pages, 2 listings/Python code snippets, 2 figures, 5 tables. arXiv admin note: text overlap with arXiv:2009.07530