第36课:PCA——利用数学工具提取主要特征

本文探讨了高维数据的维度灾难及其对机器学习的影响,阐述了数据稀疏性的问题,并详细解释了主成分分析(PCA)的原理、优化目标和其在降低数据维度中的作用。PCA通过学习映射函数,将高维样本映射到低维空间,保持主要特征,是统计学和机器学习中常用的降维方法。
摘要由CSDN通过智能技术生成

泛滥成灾的特征维度

维度灾难

维数灾难(Curse of Dimensionality,也可以直接翻译为“维度诅咒”)是一种在分析或组织高维(通常是几百维或者更高维度)数据时会遇到的现象。既然叫灾难或者诅咒,可见不是好现象。

这个说法,最早是由理查德·贝尔曼(Richard E. Bellman)——美国应用数学家,同时也是动态规划算法创始人——提出来的。

他是在思考动态优化的过程中发现了这件事:当数据维度增加时,由于向量空间体积呈指数级增加,会遇到许多在低维数据中很难出现的问题。比如:

$100$个平均分布的点能把一个一维的单位区间均分为$100$份,也就是说$100$个均匀分布的采样点就可以在一维的单位空间里形成精度为$0.01$的采样。

而要在二维的单位空间里形成同样密度的采样,就需要$10000$个点;三维需要$1000000$个点;十维空间则需要$10^{20}$个采样点……

那要是一千维呢?所需采样数根本就是天文数字,现实当中,我们怎么可能去找那么多样本数据?

以上是当年理查德·贝尔曼举的例子。

数据稀疏

其实这个问题反过来想更直接。

在现实生活中&

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

叶锦鲤

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值