#---const-------------------------------
evalq({
n_n <- 15 L
min_d <- 0.1
n_c <- 3 L
metr <- "euclidean"#"euclidean"(the default) "cosine""manhattan"
lr <- 0.75
scale <- "none"# "none"# "scale" or TRUE ,
# "maxabs" Center each column to mean 0, then divide each element by the maximum
# absolute value over the entire matrix.
# "range"
init <- "spectral"# "spectral"# "normlaplacian". # "random".
# "lvrandom". # "laplacian". # "pca". # "spca".
}, env)
是我的问题,还是你在没有老师的情况下降低了维度? 我说的是 "uwot"(umap)。
是我的问题,还是你在没有老师的情况下进行了降维? 我说的是 "uwot"(umap)。
是的,只有我使用 "umap "包。
是的,只有我使用 "umap "包。
这没有任何意义。将维度降低到与你的目标空间相匹配的空间是转换的目的。另外,只有这两个软件包提供了处理新数据(有效/测试)的能力,而不仅仅是像tSNE那样的训练。
转化后,用dbscan进行聚类。获得的聚类是作为要引入的变量的一个额外预测因素。可能会有一些变化。
祝好运
是的,只是我使用了 "umap "包。
该方法本身的名称是什么?它到底是什么? 我想看看它的python版本。
图片中的某种变形虫和细胞生命。
顺便说一下,魔术师展示了类似的转变。他有点状物拉伸和收缩成椭圆,我记得有这样的东西。
该方法本身的名称是什么?它到底是什么? 在Python中,我想看到的是
变形虫和细胞的一些生活图片在Python中,umap包有同样的名字。
在Python中,同名的umap包。
谢谢,我会看看的。
将维度降低到与你的目标相匹配的空间--这就是转换的目的。
那么,你如何做到这一点,你从哪里得到这个目标匹配,你这样做是什么意思?
此外,它们是仅有的两个提供处理新数据(有效/测试)可能性的软件包,而不是像tSNE那样只提供训练。
我知道,这就是我选择他们的原因。
用dbscan进行转化聚类后。获得的群组作为要引入的变量的额外预测因素。这里可能有一些变体。
我知道))我在上一页写了关于dbscan 的内容 )
但有了它,也会很麻烦,首先,与集群都一样需要打转,其次,它识别新数据的速度太慢。
我在某处读到--不管是计划中的包还是在p-studio中的技巧都应该出现--集群将是手动选择的,直接用鼠标,没有听说过吗?
谢谢,我会看看的。
我只是在使用它,或者说它在R中的封装器
那么你是怎么做的,你从哪里得到这个目标匹配,你的意思是什么?
我知道,这就是我选择这个套餐的原因。
我知道))在上一页写了关于dbscan 的内容 )
但用它,也会很麻烦,首先,集群都是一样的,你必须要玩,其次,它识别新数据的速度太慢。
我在什么地方读到过--或者说软件包是计划要做的,或者在p-studio芯片中不得不出现--那就是集群将可以直接用鼠标手动选择,没有听说过吗?
按顺序排列。
你设置常数。
要用教师进行教学,我们只需要在公式中加入目标Y,并指定我们需要返回一个模型(ret_model = TRUE)。
有了这个模型,我们就可以把原点数据组的其余训练/测试/测试1子集也转换成三维的。以下是代码
代入你的x/y,你会得到分为两组的三维数据。摘自一篇未完成的文章。我有一些照片,但现在找不到了。如果我需要它们,我明天会去找它们。但我认为你可以得到你的。
祝好运
发现