里面主要描述了常见的数据降维算法，包括公式和yuan'li

详细的CCA 降维方法的matlab实现源代码。

利用PCA对鸢尾花数据集进行降维测试-附件资源

讲的非常好的一个主成分分析课件 许多概念都讲解到位 非常值得收藏

数据为何要降维 数据降维可以降低模型的计算量并减少模型运行时间、降低噪音变量信息对于模型结果的影响、便于通过可视化方式展示归约后的维度信息并减少数据存储空间。因此，大多数情况下，当我们面临高维数据时，都需要对数据做降维处理。 数据降维有两种方式：特征选择，维度转换 特征选择 特征选择指根据一定的规则和经验，直接在原有的维度中挑选一部分参与到计算和建模过程，用选择的特征代替所有特征，不改变原有特征，也不产生新的特征值。 特征选择的降维方式好处是可以保留原有维度特征的基础上进行降维，既能满足后续数据处理和建模需求，又能保留维度原本的业务含义，以便于业务理解和应用。对于业务分析性的应用而言，模型的可

SVD用于将数据矩阵从高维投影到低维

由于神经网络很容易实现从输入空间到输出空间的非线性映射,因此,神经网络应用者往往未考虑输入变量和输出变量之间的相关性,直接用神经网络来实现输入变量与输出变量之间的黑箱建模,致使模型中常存在冗余变量,并造成模型可靠性和鲁棒性差。提出一种透明化神经网络黑箱特性的方法,并用它剔除模型中的冗余变量。该方法首先利用神经网络释义图可视化网络;再利用连接权法计算神经网络输入变量的相对贡献率,判断其对输出变量的重要性;最后利用改进的随机化测验对连接权和输入变量贡献率进行显着性检验,修剪模型,并以综合贡献度和相对贡献率均不显着的输入变量的交集为依据,剔除冗余变量,实现NN模型透明化及变量选择。实验结果表明,该方法增加了模型的透明度,选择出了最佳输入变量,剔除了冗余输入变量,提高了模型的可靠性和鲁棒性。因此,该研究为神经网络模型的透明化及变量约简提供了一种新的方法。

首先介绍了K-L变换和近邻法判别的原理；然后以MATLAB R2009b为实验平台，分别利用类间散布矩阵和总体散布矩阵作为K-L变换的的产生矩阵，对ORL人脸库的400幅图片进行K-L变换，一部分作为训练样本，一部分作为待识别样本，训练样本以产生特征脸空间；接着计算出待识别图片在特征脸空间的坐标，采用平均近邻法进行人脸识别。最终的实验结果给出了基于两种产生矩阵的算法时间和正确识别率，实验证明采用K-L变换对人脸提取特征很有效，本文基于K-L变换和平均近邻判别法的人脸识别的方法正确率最高可达到95%。

KNN分类算法，当K=1时，计算最相似的一个点。 输入需为csv文件

针对传统多目标优化算法在其领域存在的多个子目标不能同时取优的问题，提出了一种基于改进的非支配排序遗传算法（non-dominated sorting genetic algorithm-Ⅱ，NSGA-Ⅱ）多目标优化方法。以多目标优化遗传算法为基础，多输入多输出的反向传播（back-propagation，BP）神经网络为适应度函数评价体系，保证算法快速收敛并搜索到全局最优解集。该算法在建模前对实验数据进行主成分分析，降低了运算时间和算法难度，通过在遗传进化过程中引进正态分布交叉算子（normal distribution crossover，NDX）和改进的自适应调整变异算子，实现了多个目标同时取优，保证Pareto最优解集快速、准确地获取。仿真实验使用UCI数据集，通过与其他常用的多目标优化算法对比，验证了改进的NSGA-Ⅱ算法精确度更高、收敛速度更快、稳定性更强。