今天又是科普日~偷偷預告大家一下,科普篇剩不多惹,如果你是喜歡被科普的人,得好好珍惜剩下的幾篇啦,但若你是不喜歡的,那我也恭喜你快撐過去啦,剩沒幾篇,接下來幾乎都會是實作篇喔!好啦~我就先預告到這,我們快快開始吧!
為數據集之間的距離或差異的視覺呈現,此“數據”可以是顏色、臉孔、地圖坐標或是任何類型的真實或概念上的刺激。而其基本的思想,是將高維坐標中的點投影到低維空間中,保持點彼此之間的相似性盡可能不變,圖表上,相似的數據,比不相似的更加靠近。
經典多維尺度變換 : Classical MDS,採用歐式距離,它以樣本間的相似度,作為實際上的輸入,而其所需的樣本尺度為等距比例。
優點 : 精確,可根據多個標準來預估樣本間的差異
缺點 : 計算成本高、耗時
非經典多維度尺度變換 : No-classical MDS,採用非歐式距離,若有許多應用上的問題,且樣本是不可被計算的,那麼就可以使用它。它用有順序的樣本尺度作為輸入,並以此自動計算相似值。
優點 : 簡便、直觀
缺點 : 無法得知評估標準,效果較差
1.將多個點分配給 n 維空間中的坐標
2.計算所有點與點間的歐幾里得距離
3.通過評估應力函數,將相似度矩陣與原始輸入矩陣比較
4.若有需求,可調整坐標來最小化壓力
以評判與感知來說有以下幾個範例應用:
經過了這天,我才恍然發現剩不到半個月哩!大家一起加油~~
參考資料:
多維標度
機器學習算法-MDS降維算法
多維尺度變換(multidimensional scaling, MDS)
MDS(multidimensional scaling)多維尺度分析
Multidimensional Scaling: Definition, Overview, Examples