Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Nichtlineare Dimensionsreduktionsmethoden in der ... - DPI
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
30 Multidimensional Scal<strong>in</strong>g<br />
und außerdem noch mit dem Faktor −1/2, so ergibt sich 2<br />
B ∆ : = − 1 2 J∆(2) J<br />
= − 1 2 J (c1T + 1c T − 2XX T ) J<br />
= − 1 2 Jc1T J − 1 2 J1cT J + JXX T J<br />
(4.7)<br />
= − 1 2 Jc0T − 1 2 0cT J + JXX T J<br />
= JXX T J<br />
= XX T .<br />
Dabei bezeichnet 0 den Vektor, <strong>der</strong> nur aus Nullen besteht. Die Anwendung<br />
von J auf ∆ (2) <strong>in</strong> (4.7) wird auch als doppelte Zentrierung bezeichnet. Mit<br />
Hilfe von J lässt sich ∆ (2) also alle<strong>in</strong> als Produkt <strong>der</strong> Koord<strong>in</strong>atenmatrizen<br />
schreiben; die Matrix <strong>der</strong> paarweisen quadrierten Abstände ist damit<br />
<strong>in</strong> e<strong>in</strong>e Matrix <strong>der</strong> paarweisen Skalarprodukte <strong>der</strong> entsprechenden Vektoren<br />
überführt worden. Aus dieser Matrix B ∆ bekommt man nun die gesuchten<br />
Vektoren x i durch Hauptachsentransformation: Sei V ∈ R N×N die Matrix<br />
mit den Eigenvektoren von B ∆ als Spalten und Λ = diag(λ 1 , . . . , λ N ) die<br />
Diagonalmatrix mit den zugehörigen nichtnegativen Eigenwerten, und sei<br />
außerdem Λ 1 2 def<strong>in</strong>iert durch Λ 1 2 := diag( √ λ 1 , . . . , √ λ N ). Dann gilt<br />
V T B ∆ V = (V T X)(V T X) T (4.8)<br />
= Λ (4.9)<br />
= Λ 1 2 Λ<br />
1<br />
2 (4.10)<br />
⇒ V T X = Λ 1 2 (4.11)<br />
⇔ X = VΛ 1 2 . (4.12)<br />
Beim klassischen MDS werden die quadrierten Abstände ∆ (2) approximiert<br />
durch M<strong>in</strong>imierung <strong>der</strong> Kostenfunktion<br />
L(Y) =<br />
∥ −1 2 J [ D (2) (Y) − ∆ (2)] 2<br />
J<br />
∥<br />
F<br />
(4.13)<br />
= ‖YY T − B ∆ ‖ 2 F ,<br />
2 Die symmetrische Matrix J ∈ R N×N ist idempotent, d.h. J T J = JJ = J. Für e<strong>in</strong>en<br />
Vektor x ∈ R N gilt Jx = x − 1/N 1 ∑ N<br />
j=1 x j = x − ¯x. Durch JX werden also die Zeilen<br />
<strong>der</strong> Matrix X zentriert und durch XJ entsprechend die Spalten von X.