Principal Manifolds for Data Visualization and Dimension Reduction
In 1901, Karl Pearson invented Principal Component Analysis (PCA). Since then, PCA serves as a prototype for many other tools of data analysis, visualization and dimension reduction: Independent Component Analysis (ICA), Multidimensional Scaling (MDS), Nonlinear PCA (NLPCA), Self Organizing Maps (SO...
Enregistré dans:
| Collectivité auteur: | |
|---|---|
| Autres auteurs: | , , |
| Format: | Livre numérique |
| Langue: | Anglais |
| Publié: |
Berlin, Heidelberg :
Springer Berlin Heidelberg
[20..].
Cham : Springer Nature |
| Collection: | Lecture Notes in Computational Science and Enginee
58 Lecture Notes in Computational Science and Engineering 58 |
| Sujets: | |
| Accès en ligne: | Accès sur la plateforme de l'éditeur Accès sur la plateforme Istex Accès Université d'Orléans Accès INSA CVL |
| Note: |
L'impression du document génère 360 p. Archives Springer e-books (Licence nationale) Archives Springer e-books (Licence nationale) |
| Autres localisations: | Voir dans le Sudoc |
| Edition sous un autre format: | • Principal manifolds for data visualization and dimension reduction, Alexander N. Gorban, ... [et al.], editors, 2008, Berlin, Springer, 1 vol. (XXIII-334 p.), Lecture notes in computational science and engineering, 978-3-540-73749-0 |