Matlab降维工具箱drtoolbox使用演示

学习目标：

matlab降维工具包

提取码：m6dj

里面含有两个压缩包，解压后的文件含有：

drtoolbox(1)有工具箱的使用说明pdf和工具箱的下载包：

matlab的数据是接下来演示的数据集：

---

学习内容：

1、 数据导入

解压后有四个MATLAB Data,直接双击导入Matlbel中，其中trainX对应unnamed，trainY对应unnamed1，testX对应unname2，testY对应unname3.这里是一个分类数据集（像trainY就是四类1，2，3，4），并且是高位数据集（trainX就是152个样本量，但是有153个属性）。

2、 pdf说明书

当时学习这个工具箱的时候找到了这本书《An Introduction to Dimensionality Reduction Using Matlab》，里面详细说明了工具箱包含的降维方法的理论原理并且有实际例子，非常适合小白学习：

3、 方法演示

方法演示我创建了一个实施脚本hign.mlx:

1.利用intrinsic_dim(X, 'MLE')来查看此方法建议你降维至第几维

X = unnamed;%数据每个样本为一行。
labels = unnamed1;
no_dims = round(intrinsic_dim(X, 'MLE'));
disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);

这里建议降维至2维。

2.选用合适的方法

不同的降维方法适用于不同的数据集，详细学习请见《An Introduction to Dimensionality Reduction Using Matlab》，下面演示Laplacian降维和MDS降维，它们都是降至3维的演示：

X = unnamed;%数据每个样本为一行。
labels = unnamed1;
no_dims = round(intrinsic_dim(X, 'MLE'));
%disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);
%[mappedX1, mapping] = compute_mapping(X, 'Laplacian', no_dims);
[mappedX3, mapping3] = compute_mapping(X, 'Laplacian',3);
colormap(jet)
figure, scatter3(mappedX3(:,1), mappedX3(:,2), mappedX3(:,3),30, labels);
%figure, scatter(mappedX1(:,1), mappedX1(:,2),30, labels);
%xlim([-0.3,0.2]);
%ylim([-0.2,0.2]);
%zlim([-0.04,0.022]);
title('Result of Laplacian');

X = unnamed;%数据每个样本为一行。
labels = unnamed1;
no_dims = round(intrinsic_dim(X, 'MLE'));
%disp(['MLE estimate of intrinsic dimensionality: ' num2str(no_dims)]);
[mappedX1, mapping] = compute_mapping(X, 'MDS', 3);
%colormap(jet)
figure, scatter3(mappedX1(:,1), mappedX1(:,2), mappedX1(:,3),30, labels);
%figure, scatter(mappedX1(:,1), mappedX1(:,2),30, labels);
%xlim([-0.3,0.2]);
%ylim([-0.3,0.2]);
%zlim([-0.4,0.22]);
title('Result of MDS');

3.数据导出

数据便是上述代码中[mappedX1, mapping] = compute_mapping(X, 'MDS', 3);的mappedX1.

学习总结

这个降维虽然好用，但是主观性非常强，本次演示的数据其实降维效果不好，最后进一步做分类器的时候效果很差，尝试尝试各种降维方式也是受益匪浅，但是还需慎用。

---