LSTM改进15：使用MDS特征选择器，提高训练效果

目录

改进方式介绍：

步骤一

步骤二

步骤三

改进方式介绍：

**多维尺度变换（Multidimensional Scaling, MDS）** 是一种通过保持样本间距离关系实现降维的技术，其核心目标是将高维空间中的样本映射到低维（如 2D/3D）空间，同时最小化原始距离与降维后距离的差异。

##### 1. 经典 MDS（Classical MDS, CMDS）原理


*   **输入**：高维样本的距离矩阵 $D \in \mathbb{R}^{n \times n}$，其中 $D_{ij}$ 表示样本 $i$ 与 $j$ 的距离；

*   **目标**：求解低维坐标矩阵 $Y \in \mathbb{R}^{n \times d}$（$d \ll$ 原始维度），使得降维后的距离 $\|Y_i - Y_j\|_2$ 尽可能接近 $D_{ij}$；

*   **数学推导**：通过特征分解协方差矩阵实现，核心公式为：

$$

  B = -\frac{1}{2} J D^2 J, \quad Y = U \Lambda^{1/2}

$$