（模式识别）特征降维问题
降维的必要性
- 多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定，从而可能导致结果的不连贯。
- 高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间，而在十维空间只有0.02%。
- 过多的变量会妨碍查找规律的建立。
- 仅在变量层面上分析可能会忽略变量之间的潜在联系。
降维的目的：
- 减少预测变量的个数
- 确保这些变量是相互独立的
- 提供一个框架来解释结果
1.主成分分析算法（PCA）
主成分分析算法存在的缺点：
- 主成分法是基于原始特征的一种线性变换。若原始数据中存在
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ji-chu/88631.html