t-SNE 与 MDS 降维技术结合 KNN、ENN 和 SVM 分类器的性能评估
机器学习
2020-11-19 v1 机器学习
摘要
本文的中心目标是在 Matlab 中实现两种常用的降维（DR）方法，即 t 分布随机邻域嵌入（t-SNE）和多维缩放（MDS），并观察它们在多个数据集上的应用。这些降维技术应用于来自 UCI 机器学习仓库的九个不同数据集，分别为 CNAE9、Segmentation、Seeds、Pima Indians diabetes、Parkinsons、Movement Libras、Mammographic Masses、Knowledge 和 Ionosphere。通过应用 t-SNE 和 MDS 算法，每个数据集通过剔除不必要特征被变换至原始维度的一半。随后，这些降维后的数据集被输入三种监督分类算法进行分类。这些分类算法为 K 近邻（KNN）、扩展最近邻（ENN）和支持向量机（SVM）。同样，所有这些算法均在 Matlab 中实现。训练与测试数据比例对每个数据集保持为百分之九十比百分之十。通过准确率观察，分析了每种降维技术与所用分类算法的效率，并评估了各分类器的性能。
引用
@article{arxiv.2007.13487,
title = {Performance Evaluation of t-SNE and MDS Dimensionality Reduction Techniques with KNN, ENN and SVM Classifiers},
author = {Shadman Sakib and Md. Abu Bakr Siddique and Md. Abdur Rahman},
journal= {arXiv preprint arXiv:2007.13487},
year = {2020}
}
备注
2020 IEEE Region 10 Symposium (TENSYMP), 5-7 June 2020, Dhaka, Bangladesh