1) dimension reduction
维数消减
1.
The data dimension reduction is the main method that can enhance the data mining efficiency based on higher-dimension data set.
为了提高高维数据集合数据挖掘效率,探讨了采用数据变换进行数据维数消减的方法及其应用,提出了一个通用的数据变换维数消减模型,给出了应用主成分分析方法计算模型中的数据变换矩阵的方法,相应的数据变换应用实例表明,通过数据变换用相当少的变量来捕获原始数据的最大变化是可能的。
2) Soil content Decending coefficient
消减系数
3) dimensionality reduction
维数削减
4) dimension reduction
维数约减
1.
The problem of dimension reduction arises in many fields of information processing,including machine leaning,data compression,pattern recognition.
维数约减问题出现在信息处理的许多方面,非线性方法主要有局部线性嵌入LLE(LocallyLinear Embedding)、拉普拉斯特征映射(Laplacian E igenmap)、基于Hessian矩阵的LLE等,它们通过在高维空间中设计数据集所在流形的拓扑、几何等特性,很好地弥补了线性降维不能发现数据集非线性结构的不足。
5) dimensionality reduction
维数约减
1.
So,a local and global preserving based semi-supervised dimensionality reduction (LGSSDR) method is proposed in this paper.
在很多机器学习和数据挖掘任务中,仅仅利用边信息(side-information)并不能得到最好的半监督学习(semi-supervised learning)效果,因此,提出一种基于局部与全局保持的半监督维数约减(local and global preserving based semi-supervised dimensionality reduction,简称LGSSDR)方法。
2.
Nonlinear dimensionality reduction is a challenging problem encountered in a variety of high dimensional data analysis,including machine learning,pattern recognition,scientific visualization,and neural computation.
最大方差展开(maximum variance unfolding,MVU)是在流形局部等距概念基础上提出的一种新的非线性维数约减算法,能有效学习出隐含在高维数据集中的低维流形结构。
6) Nonparametric Margin Maximization Criterion
维数递减
1.
Nonparametric Margin Maximization Criterion and Its Applications;
然后我们提出一种维数递减的优化算法。
补充资料：等维数理想
等维数理想
eqtn-dhneraional ideal
等维数理想[仰‘一山m改‘.目油川;IlecMeluaHll“‘期e幼〕 (在某个域k上有限生成的)整区R的一个理想m，它具有如下性质:在准素分解m=勿;，n…门勿，中，所有与准素理想勿，，…，汤，相伴的素理想玛，’’、平:皆有相同维数，也就是说，对所有i，商环R/叭皆有相同的为间1维数.这一共同的维数称为等维数理想m的维数(由nrns沁noftheeq山~dinrnsjonalideal). 如果R是某一仿射簇X上的正则函数环，那么R的一个理想m是等维数的，当且仅当由m所定义的子簇YC=X的所有不可约分支都有相同维数. 月.B.K”~撰【补注】一个等维理想也称为非混合理想(坦爪血比记份1).人们有时也用(理想的)“等维数”(闪w，dinrn，s沁n)来替代术语“等维数理想的维数”. 整闭的Noc公rr整环是一个整区，它的所有主理想是等维数的，【AI]，p.l%.
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条