matrix and used three dimensions of

matrix and used three dimensions of T matrix for SVM or
KNN.
Theory of LLE
LLE introduced by Roweis and Saul (2000) is a manifold
learning technique which aims at mapping highdimensional
data onto a low-dimensional manifold space
by preserving neighbors. The obtained embedding manifold
is locally linear and guarantees the shape of the data.
LLE algorithm is one of learning algorithms for nonlinear
dimensionality reduction.
A summary of LLE is illustrated in Fig. 3, which contains
three steps: (1) for each data point xi (i=1, 2,…, n), find its knearest
neighbors by using Euclidean distance, which is the
length of the line segment connecting two points; (2) compute
the weights wi that best linearly reconstruct each data xi from
its k neighbors xj ( j=1, 2,…, k), minimizing the cost in Eq. (4)
which measures the reconstruction errors by e(W); (3) compute
the vectors xi best reconstructed by weights wij,

ผลลัพธ์ (ไทย) 2:

เมทริกซ์และใช้สามมิติของเมทริกซ์ T สำหรับ SVM หรือ
KNN.
ทฤษฎี LLE
LLE นำโดย Roweis และซาอูล (2000)
เป็นนานาเทคนิคการเรียนรู้ซึ่งมีวัตถุประสงค์เพื่อhighdimensional
การทำแผนที่ข้อมูลลงบนพื้นที่ต่ำหลายมิติโดยการรักษาเพื่อนบ้าน
ที่ได้รับการฝังท่อร่วมเป็นเชิงเส้นในประเทศและการค้ำประกันรูปร่างของข้อมูล. ขั้นตอนวิธี LLE เป็นหนึ่งในขั้นตอนวิธีการเรียนรู้สำหรับการไม่เชิงเส้นการลดมิติ. สรุป LLE จะแสดงในรูปที่ 3 ซึ่งมีสามขั้นตอนคือ(1) สำหรับแต่ละจุดข้อมูลซีอาน (i = 1, 2, ... , n) ค้นหา knearest ของเพื่อนบ้านโดยใช้ระยะทางยุคลิดซึ่งเป็นความยาวของส่วนของเส้นเชื่อมต่อสองจุด (2) การคำนวณน้ำหนักที่ดีที่สุดไร้เส้นตรงสร้างจินจากข้อมูลแต่ละk เพื่อนบ้าน XJ (ญ = 1, 2, ... , k), การลดค่าใช้จ่ายในสมการ (4) ซึ่งมาตรการข้อผิดพลาดของการฟื้นฟูทาง e (W); (3) การคำนวณเวกเตอร์Xi สร้างขึ้นใหม่ที่ดีที่สุดโดยน้ำหนัก Wij,

ผลลัพธ์ (ไทย) 3:

เมทริกซ์และใช้สามมิติของ t เมทริกซ์สำหรับ SVM หรือ
knn .
ทฤษฎีที่ไหน
ที่ไหนแนะนำด้วย roweis และซาอูล ( 2000 ) เป็นเทคนิคการเรียนรู้ที่มุ่งมากมาย

ข้อมูลลงบนแผนที่ highdimensional ต่ำมิติมากมาย
โดยการรักษาพื้นที่เพื่อนบ้าน โดยการฝังท่อ
เป็นท้องถิ่นเชิงเส้นและรับประกัน
รูปร่างของข้อมูลขั้นตอนวิธีการเรียนรู้ที่ไหนเป็นหนึ่งในขั้นตอนวิธีเชิง dimensionality ลด
.
สรุปที่ไหนจะแสดงในรูปที่ 3 ซึ่งมี
3 ขั้นตอน ( 1 ) สำหรับจุดข้อมูลแต่ละ Xi ( i = 1 , 2 , . . . , n ) พบว่าเพื่อนบ้าน knearest
โดยใช้ระยะทางแบบยุคลิดซึ่ง
ความยาวของส่วนของเส้นตรงที่เชื่อมต่อสองจุด ; ( 2 ) คำนวณ
น้ำหนักวีที่ดีที่สุดนำสร้างแต่ละ Xi ข้อมูลจาก
เพื่อนบ้านของ XJ K ( J = 1 , 2 , . . . , k ) ลดต้นทุนในอีคิว ( 4 )
ซึ่งมาตรการการฟื้นฟูข้อผิดพลาด E ( W ) ; ( 3 ) คำนวณ
เวกเตอร์ Xi ที่ดีที่สุดสร้างขึ้นใหม่โดยไม่มีน้ำหนัก ,