IEEE Transactions on Fuzzy Systems, Volume 32, Issue 11, November 2024
1) 在多创新背景下的在线主动学习，用于不断发展的误差反馈模糊模型作者：Edwin Lughofer、Igor Škrjanc页数：5998 - 60112) 具有输入饱和的非线性系统的灵活规定性能输出反馈控制作者：Yangang Yao、Yu Kang、Yunbo Zhao、Pengfei Li、Jieqing Tan页数：6012 - 60223) 通过动态事件对具有未知控制系数的 p-正态系统进行自适应模糊预定性能控制作者：Qidong Li、Changchun Hua、Kuo Li、Hao Li页数：6023 - 60344) 离散时间非线性复杂网络的模糊结构自适应最优控制的强化学习作
A Simple Example Using PCA for Outlier Detection
在异常值检测之前执行 PCA 转换可提高准确性、速度和内存使用率本文继续介绍使用 PCA（主成分分析）进行异常值检测的一系列应用，紧随其后的是使用 PCA 进行异常值检测。那篇文章描述了 PCA 本身，并介绍了使用 PCA 进行异常值检测的两种主要方法：评估重构误差，以及在 PCA 转换空间上运行标准异常值检测器。它还给出了第一种方法的示例，即使用重构误差，使用 PyOD 提供的 PCA 和 KPCA 检测器可以轻松完成。本文介绍了第二种方法，我们首先使用 PCA 转换数据空间，然后在此上运行标准异常值检测。正如上一篇文章所述，在某些情况下，这可能会降低可解释性，但在准确性、执行时间和内存使用
Using PCA for Outlier Detection
一种识别数值数据中异常值的令人惊讶的有效方法PCA（主成分分析）通常用于数据科学，通常用于降维（通常用于可视化），但它实际上对于异常值检测也非常有用，我将在本文中描述它。本文延续了我的异常值检测系列，其中还包括关于 FPOF、计数异常值检测器、距离度量学习、共享最近邻和兴奋剂的文章。这还包括我书《Python 中的异常值检测》的另一段摘录。PCA 背后的想法是大多数数据集在某些列中的方差比其他列大得多，并且特征之间也存在相关性。其中一个含义是：为了表示数据，通常不需要使用尽可能多的特征；我们通常可以使用更少的特征（有时要少得多）很好地近似数据。例如，对于包含 100 个特征的数值数据表，我们可
Principal Components Analysis (PCA) Through a Latent Variable Lens
概述 PPCA（经典 PCA 的扩展）及其通过 EM 算法应用于不完整数据照片由 Dhruv Weaver 在 Unsplash 上拍摄。随着 EM 算法的 E 和 M 步骤重复，该算法收敛到局部最大似然估计量。概率主成分分析 (PPCA) 是一种降维技术，利用潜在变量框架恢复数据中最大方差的方向。当噪声遵循各向同性高斯分布时，概率主成分将与经典主成分紧密相关，在缩放因子和正交旋转方面相同。因此，PPCA 可用于许多与经典 PCA 相同的应用，例如数据可视化和特征提取。PPCA 背后的潜在变量框架还提供了经典 PCA 所不具备的功能。例如，PPCA 可以轻松扩展以适应具有缺失值的数据，而经典
PCA-Whitening vs ZCA Whitening: What is the Difference?
为什么重要：PCA 白化与 ZCA 白化：有什么区别？这是 ML 中两种强大的预处理和降维技术
