文件名称：分类步骤-pytorch实现的手写数字mnist识别功能完整示例
文件大小：906KB
文件格式：PDF
更新时间：2024-07-05 13:29:29
高维数据
2.1 模型框架 使用 GPLVM 作为数据样本的降维方法，然后使用支持 向量机(SVM)交叉验证对高维样本数据进行分类。本文设计 了两种分类方法，为方便描述，将其在一个模型框架下进行 表示，具体如图 1 所示。 如图所示，方法一的基本流程是对原始数据进行预处理 后，直接使用 GPLVM 进行降维，然后通过 SVM 交叉验证 进行分类， 好输出分类结果。而方法二在对原始数据进行 预处理后，设定动态调整数据样本作为 GPLVM 降维算法的 输入，通过 SVM 交叉验证分类后，对分类结果和当前维数 进行保存。这个时候判断阶梯跳跃降维操作是否完毕，如果 还要跳跃做进一步降维，则计算新的阶梯维数执行迭代分 类；如果已经结束，则输出合并后的结果。 数据样本 预处理 GPLVM降 维 动态调整 样本数据 SVM 交叉检验 方法1 输出结果 GPLVM 阶梯跳跃降维 SVM 交叉检验 阶梯跳跃 是否完毕 方法2 输出结果 更新 阶梯维度 Y N 图 1 模式分类框架 在设计的两种方法中，GPLVM 提供从潜变量到数据空 间的平滑概率映射，与大多数非线性降维方法专注于保持数 据空间原有局部距离不同，GPLVM 侧重于在潜变量空间内 分离原数据空间中距离较远的点。通过加以后向约束， GPLVM 同样实现了对原空间局部距离的保持[5-6]。在反向约 束 GPLVM 中，似然函数的优化需要加上对局部距离进行保 持的约束，这个约束通过对数据空间到潜变量空间的映射学 习实现。因此，在训练过程中同时会有两个模型并行工作， 一个用于相异保持，从潜变量空间到数据空间进行概率 GPLVM 映射；另外一个模型用于局部距离保持，从数据空 间到潜变量空间进行映射。 2.2 分类步骤 方法一的思路比较清晰，主要分析的是 GPLVM 降维后 对高维数据分类结果的影响；方法二涉及到阶梯跳跃的降 维，对样本进行动态更新的过程，下面给出方法二的具体实 现步骤： 步骤 1：对原始数据集进行预处理，转换为实验程序需 要的数据格式,并进行归一化处理。 步骤 2：设定阶梯维数，采用对折交叉的方式将原始数 据样本的维数进行等分，如原始数据为 24 维，若采用 6 折 阶梯维数的具体降维顺序为 24->20->15->10->5->1。 步骤 3：动态调整数据样本，第一次输入的时候，数据 样本保持为原始状态。在后面的迭代过程中，首先执行降维 和 SVM 交叉验证分类，然后判断如果需要进一步降维，则 对此刻的样本进行动态调整，将上一次降维后的样本数据输 出作为下一次 GPLVM 降维操作的输入，这是一个反馈迭代 的过程。