多视图学习
2017-09-03 20:56
106 查看
多视图学习典型方法
典型相关性分析(CCA)从整体上把握两组指标之间的相关关系,分别在两组变量中提取有代表性的两个综合变量u和v(分别为两个变量组合中各变量的线性组合),利用这两个综合变量之间的相关关系来反映两组指标之间的整体相关性。
协同训练(co-training)
为验证协同训练的有效性,给出一个PAC分析。PAC 分析是在两个假设条件下进行的:
(1)每个视图都足以进行正确的分类(也就是说,在每个样本上,组合视图都有标签一致性)
(2)任何样本的两个视图对于给定的类别标签都是条件独立的,初始的弱分类器保持了 PAC 的可学习性。
如何利用多视图
多视图数据降维主成分分析(PCA)——无监督
PCA的降维的核心就在于将原始n维数据投影到k个单位标准正交基上,为了保证投影后的数据包含足够的信息,PCA要求投影后每一维特征的方差足够大,因为方差越大,投影到低维后重叠越少。同时,PCA也要求特征之间互相独立,这样可以保证不同特征间含有更少的重复信息。
Fisher线性判别分析——监督
Fisher线性判别的核心是将原始数据投影到一维空间中,使得原本线性不可分的数据变得线性可分(类别能够“清晰”地反映在低维数据上,也就是这一维就能决定每个样例的类别)。
Fisher线性判别的关键在于最大化一个准则函数J,准则函数J是由类间散度比上类内散度得到的。最大化准则函数J是要求类内散度足够小而类间散度足够大。小的类内散度保证了当前类中的数据足够紧密。大的类间散度保证了这两个类有足够的可分性。
多视图半监督学习
协同训练
多视图监督学习
Fisher线性判别分析
多视图主动学习
多视图Adaboost
多视图集成学习
多视图迁移学习
多视图聚类
A survey of multi-view machine learning
相关文章推荐
- SNMP学习 SNMPv3 VACM(视图访问控制模型)
- IOS学习笔记(一)之UITableView表视图
- 继续学习git之——SourceTree的使用(git视图化使用)
- Oracle实体视图及树形排序学习
- Virtual C++ 学习历程:文档/视图的创建
- iOS学习之Tab Bar的使用和视图切换
- boost.multi_array学习-子视图用法(3)
- MySQL学习之视图
- iOS开发学习之#提醒处理#(1)响应提醒视图
- openerp学习笔记 视图(tree\form)中隐藏按钮( 创建、编辑、删除 ),tree视图中启用编辑
- 【转】【iOS知识学习】_视图控制对象生命周期-init、viewDidLoad、viewWillAppear、viewDidAppear、viewWillDisappear等的区别及用途
- Android 进阶学习:Android视图状态及重绘流程分析,带你一步步深入了解View(三)
- 一步步学习微软InfoPath2010和SP2010--第三章节--表单设计基础:处理InfoPath布局、控件和视图(8)--视图
- mysql学习五:视图下
- DBA_TAB_MODIFICATIONS 视图学习
- Djang学习笔记3视图和URL配置
- IOS学习(二)父子视图
- android 5.0新特性学习--视图轮廓
- 物化视图 materialized view基础学习
- MySQL学习笔记之视图