用于降维的多类谱特征缩放方法
机器学习
2019-10-17 v1 机器学习
摘要
不规则特征会干扰期望的分类效果。本文考虑根据标签信息在原始空间中主动修改特征的尺度，以便在低维空间中形成分离良好的簇。所提出的方法利用谱聚类来推导用于修改特征的缩放因子。具体而言，我们将谱聚类的拉普拉斯特征问题重新表述为一个线性矩阵束的特征问题，其特征向量包含缩放因子。数值实验表明，对于样本数多于特征数的玩具问题以及特征数多于样本数的现实世界问题，所提出的方法均优于成熟的监督降维方法。
引用
@article{arxiv.1910.07174,
title = {Multiclass spectral feature scaling method for dimensionality reduction},
author = {Momo Matsuda and Keiichi Morikuni and Akira Imakura and Xiucai Ye and Tetsuya Sakurai},
journal= {arXiv preprint arXiv:1910.07174},
year = {2019}
}