iT邦幫忙

2022 iThome 鐵人賽

DAY 15
0

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!/images/emoticon/emoticon58.gif

多維縮放(Multidimensional Scaling / MDS)

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。

兩種MDS的類別&優缺點

  1. 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

  2. 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

基本步驟

  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

應用領域

以評判與感知來說有以下幾個範例應用:

  • 大眾對於政治家的態度
  • 影星受喜愛的程度
  • 跨文化的差異與比較
  • 心理學上,人類的感知
  • 評價產品設計及市場行銷中的廣告

MDS的優缺點

  • 優點
  1. 計算簡單
  2. 保留數據於原始空間的對應關係,可視化效果好
  • 缺點
  1. 若使用者對於先驗知識與數據特徵了解,卻無法透過一些方式對過程進行干涉,那可能會有期望落空的機率
  2. 維度對於目標的影響並不一致

經過了這天,我才恍然發現剩不到半個月哩!大家一起加油~~/images/emoticon/emoticon07.gif

https://ithelp.ithome.com.tw/upload/images/20220929/20151063Bm4JbXZl1s.png

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


上一篇
〔Day14〕機器學習的模型評估-Logistic Regression、Random Forest、Tree
下一篇
〔Day16〕探索新插件-Bioinformatics
系列文
一同來挖掘 0 程式的Orange!30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言