本文介绍了机器学习数据预处理中的PCA（主成分分析）方法。PCA通过捕捉数据的主要成分，降低多维度数据的复杂性，同时减少信息损失。文章通过实例解释了主成分的选取标准，强调了方差在选择过程中的重要性，并预告了PCA操作的具体步骤。
《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！
01
—
回顾
到现在，已经总结了机器学习的：
回归算法之最小二乘方，脊回归，套索回归；
分类算法之逻辑回归，决策树分类，朴素贝叶斯决策，半朴素贝叶斯决策
聚类算法之高斯混合模型，解决这个模型选择了期望最大算法（EM算法）
介绍的以上算法都带有详细的原理介绍，例子阐述，代码实现（大部分都是自己编写不掉sklearn的包）
体会了机器学习的基本回归，分类，聚类到底是怎么回事后，该到了分析喂给这些算法的数据了，我们在之前介绍这些算法时，往往用到的数据都是已经预处理过的，比如做了归一化处理，做了降维处理等等。数据预处理做的好与坏，对我们最终问题的求解也是至关重要的，因此也是机器学习学习中的重要一个环节。
废话少说，下面介绍一个数据预处理常用的方法：数据主成分分析，简称PCA。
02
—
数据主成分分析的背景
现实中，我们要研究某个问题，比如预测一只股票的价格时，我们不想忽略每一个可能的影响因素，所以初步划定了100个影响股票价格的特征，再分析最近五年的这只股票的价格数据。这样多维度，大样本，会为预测股票的价格增加更多的筹码。
但是，这么多的维度一来给分析带来不便，二来某些维度可能存在相关性
最低0.47元/天 解锁文章
扫一扫
603
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
