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。
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的创始人——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&
订阅专栏 解锁全文
323
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
