降维算法的作用 降维算法的优缺点

发布:2022-10-19 14:38:56
阅读:3042
作者:网络整理
分享:复制链接

机器学习分类问题中,往往有太多的因素影响最终分类,这些因素可以称为特征变量。特征数量越多,就越难将训练集可视化并进行处理。而降维算法即是通过获得一组主变量来减少随机变量数量的过程,它可以分为特征选择和特征提取。

特征选择:找到原始变量集的特征子集,以获得可用于对问题进行建模的较小子集。它通常涉及三种方式:筛选、包装器、嵌入式。

特征提取:这将高维数据减少到低维。

降维的方法

主成分分析(PCA)、线性判别分析(LDA)、广义判别分析(GDA)

降维可以是线性的也可以是非线性的,这取决于所使用的方法。

降维的优点

1、有助于数据压缩,从而减少存储空间。

2、减少了计算时间。

3、有助于删除冗余功能。

降维的缺点

1、可能会导致一些数据丢失。

2、PCA倾向于发现变量之间的线性相关性,这有时是不可取的。

3、在均值和协方差不足以定义数据集的情况下,PCA会失败。

什么是降维?机器学习中的降维概念详解

扫码进群
微信群
免费体验AI服务