nlp-LDA主题模型演示 这是针对python LDA主题模型演示 该文件用于txt文件。 主要研究对象是covid-19

降维算法 一，介绍 在高维层次下会出现数据样本稀疏，距离计算困难等问题，是所有机器学习方法面临的严峻考验，称为“维数灾难”（维数诅咒）。 ，即通过某种数学变换将数据映射到一个低维空间，在这个低维空间里，数据的密度大大地提高，距离计算更加容易。 二，分类 降维算法可以按照是否有监督，变换是否是线性的细分四类： 无监督的线性降维算法，某种 无监督的非线性降维算法，某些 ， ， ， 有监督的线性降维算法，某种 有监督的非线性降维算法（缺） 注意：此处线性指的是高维空间->低维空间是线性的。MDS，Isomap是将一个非线性降维变换的转化问题转化为一个线性代数问题，其本身并不是线性的降维算法。 三，总结 在大部分实际应用情况下，数据降维是作为后续任务的一个预处理步骤，需要通过比较降维后学习器的效果来对一个具体的任务使用某种降​​维算法。 流形学习中的ISOMAP，LLE等算法非常依赖建图的质量

PCA、LDA、MDS、LLE、TSNE等降维算法的python实现

LDA是一种线性降维方法，具有很好的聚类效果，该程序首先对识别人脸数据降维识别，并有详细的说明。

LDA人脸识别matlab程序代码！ LDA人脸识别matlab程序代码！ LDA人脸识别matlab程序代码！ LDA人脸识别matlab程序代码！

本资源是机器学习常见方法LDA（线性判别分析）的源码，其主要功能类似于PCA，都属于降维算法。本次实现是依托于项目工程，裁剪掉了图像预处理特征提取部分，是降维算法在分类问题上的一次实现，为Matlab代码实现

基于LDA算法的人脸识别 LDA是基于最佳可分性的人脸识别算法，具有一定的研究意义

经典的人脸识别算法二维lda算法。时间短识别率高，解决了小样本问题和运行时间问题，共同分享一下，一起学习

PCA的原理 思想 -目的是寻找另一组正交基，即标准正交基的线性组合， 最好的表示数据集。 X = (x1,x2,…,xn) ————>Y = (y1,y2,…,yn) 以样本集合的协方差矩阵(总体散度矩阵)为产生矩阵 ；一个对称、半正定的n×n矩阵，对它 进行特征值分解得到： 基变换矩阵 为n×n正交矩阵, 使得 基向量，矩阵的极大线性无关组,基向量无关，正交基互相正交 project

主题挖掘LSA方法与LDA对比实验数据集，数据集使用请参考文章https://blog.csdn.net/qq_39381654/article/details/107981106