pyHSICLasso pyHSICLasso是希尔伯特·施密特（Hilbert Schmidt）独立标准套索（HSIC Lasso）的软件包，这是一种考虑了非线性输入和输出关系的黑匣子（非线性）特征选择方法。 HSIC Lasso可以看作是广泛使用的最小冗余最大相关性（mRMR）特征选择算法的凸变体。 HSIC套索的优势 可以有效地找到与非线性相关的特征。 可以找到非冗余功能。 可以获得全局最优的解决方案。 可以通过内核处理回归和分类问题。 功能选择 监督性特征选择的目标是找到负责预测输出值的输入特征子集。 通过使用它，您可以补充非线性输入和输出的依赖性，并且可以有效地计算高维问题的最优解。 通过针对数以千计的特征进行分类和回归的特征选择实验证明了其有效性。 在许多实际应用中，例如从微阵列数据中选择基因，文档分类和假体控制，在高维监督学习中寻找功能的子集是一个重要的问题。 安装

高维数据课程PPT

excel一、二、三维插值 来吧，给个好评吧，谢谢......

SuperMapiDesktop 8C桌面插件，将三维的点数据集根据某个连接字段生成三维线数据集。

高维数据能充分表达复杂事物的信息,但高维数据自身表达和处理复杂,妨碍了它的实际应用。阐述了用降维算法和构建索引结构来解决高维数据降维问题。以数据对象变异最大方向的投影作为特定数据对象集的主成份,将聚类分析引入高校数据资源的预处理环节,实现了数据对象集合的聚类归约。给出应用实例,为深入探索相关模式提供有效的分析方法。

此功能的发布是受到Matlab文件交换存储库中1d三次样条曲线发布的几种实现方式的糟糕工作的启发。 早在2011年，我在南大（NTU）攻读硕士学位时，这项功能就是我的一项家庭作业。 尽管这不是一个完美的实现，但它易于阅读（公式接近数学方程式），可以进行并行化（如果有parfor可用），可以轻松扩展/扩展边界条件，并且可以将其写成少于125行代码的单个脚本（包括简短的介绍和示例）。 享受 ！ :)

利用OpenCV库函数，计算数据的PCA分布，简单实现过程

在 Isomap 方法中，我们只需要发送我们的数据集并告诉我们在目标子空间中需要多少维，这种方法将 n 维输入减少到 k 维输出。

Python 实现使用 dict 创建二维数据 dict 的 keys、values 分别作为二维数据的两列 In [16]: d = {1:'aa', 2:'bb', 3:'cc'} In [17]: arr = list(d.items()) # 关键的一步 In [18]: narr = np.array(arr) In [19]: narr Out[19]: array([['1', 'aa'], ['2', 'bb'], ['3', 'cc']], dtype='<U11') Python 实现使用 dict 创建DataFrame对象 dict 的 keys、val

可用于将一个二维数据按区间数分割后计算每个方形区间内的样本数，获得二维数据的频数统计结果，是matlab hist函数的二维版本。 输出量为 [h, n, xout, yout] h为输出图像时的图片句柄 n为符合函数surface以及bar3的输入要求的统计频数向量 xout为按xbins数量分割x轴的前点位置 yout为按ybins数量分割y轴的前点位置