拉普拉斯特征图降维及其python实现

最新推荐文章于 2026-04-08 09:30:39 发布

转载最新推荐文章于 2026-04-08 09:30:39 发布 · 4.3k 阅读

Python 同时被 3 个专栏收录

39 篇文章

订阅专栏

复杂网络

16 篇文章

订阅专栏

机器学习

11 篇文章

订阅专栏

本文介绍了一种基于流形假设的数据降维方法——拉普拉斯特征映射，并通过Python代码实现了该方法。该方法首先构建样本点间的图，然后通过广义本征分解求得降维后的向量。

这种方法假设样本点在光滑的流形上，这一方法的计算数据的低维表达，局部近邻信息被最优的保存。以这种方式，可以得到一个能反映流形的几何结构的解。

步骤一：构建一个图G=(V,E),其中V={vi，i=1,2,3…n}是顶点的集合，E={eij}是连接顶点的vi和vj边，图的每一个节点vi与样本集X中的一个点xi相关。如果xi，xj相距较近，我们就连接vi，vj。也就是说在各自节点插入一个边eij，如果Xj在xi的k领域中，k是定义参数。

步骤二：每个边都与一个权值Wij相对应，没有连接点之间的权值为0，连接点之间的权值：

步骤三：令，实现广义本征分解：

使是最小的m+1个本征值。忽略与=0相关的本征向量，选取另外m个本征向量即为降维后的向量。

1、python实现拉普拉斯降维

[python]view plaincopy
def laplaEigen(dataMat,k,t):  
    m,n=shape(dataMat)  
    W=mat(zeros([m,m]))  
    D=mat(zeros([m,m]))  
    for i in range(m):  
        k_index=knn(dataMat[i,:],dataMat,k)  
        for j in range(k):  
            sqDiffVector = dataMat[i,:]-dataMat[k_index[j],:]  
            sqDiffVector=array(sqDiffVector)**2  
            sqDistances = sqDiffVector.sum()  
            W[i,k_index[j]]=math.exp(-sqDistances/t)  
            D[i,i]+=W[i,k_index[j]]  
    L=D-W  
    Dinv=np.linalg.inv(D)  
    X=np.dot(D.I,L)  
    lamda,f=np.linalg.eig(X)  
return lamda,f  
def knn(inX, dataSet, k):  
    dataSetSize = dataSet.shape[0]  
    diffMat = tile(inX, (dataSetSize,1)) - dataSet  
    sqDiffMat = array(diffMat)**2  
    sqDistances = sqDiffMat.sum(axis=1)  
    distances = sqDistances**0.5  
    sortedDistIndicies = distances.argsort()      
return sortedDistIndicies[0:k]  
dataMat, color = make_swiss_roll(n_samples=2000)  
lamda,f=laplaEigen(dataMat,11,5.0)  
fm,fn =shape(f)  
print 'fm,fn:',fm,fn  
lamdaIndicies = argsort(lamda)  
first=0  
second=0  
print lamdaIndicies[0], lamdaIndicies[1]  
for i in range(fm):  
    if lamda[lamdaIndicies[i]].real>1e-5:  
        print lamda[lamdaIndicies[i]]  
        first=lamdaIndicies[i]  
        second=lamdaIndicies[i+1]  
        break  
print first, second  
redEigVects = f[:,lamdaIndicies]  
fig=plt.figure('origin')  
ax1 = fig.add_subplot(111, projection='3d')  
ax1.scatter(dataMat[:, 0], dataMat[:, 1], dataMat[:, 2], c=color,cmap=plt.cm.Spectral)  
fig=plt.figure('lowdata')  
ax2 = fig.add_subplot(111)  
ax2.scatter(f[:,first], f[:,second], c=color, cmap=plt.cm.Spectral)  
plt.show()  

2、拉普拉斯降维实验

用如下参数生成实验数据存在swissdata.dat里面：

[python]view plaincopy
def make_swiss_roll(n_samples=100, noise=0.0, random_state=None):  
    #Generate a swiss roll dataset.  
    t = 1.5 * np.pi * (1 + 2 * random.rand(1, n_samples))  
    x = t * np.cos(t)  
    y = 83 * random.rand(1, n_samples)  
    z = t * np.sin(t)  
    X = np.concatenate((x, y, z))  
    X += noise * random.randn(3, n_samples)  
    X = X.T  
    t = np.squeeze(t)  
return X, t  