特征降维

特征降维

特征降维，有时候也称之为特征抽取（用于降维的特征选择方法）或数据压缩，因为现实生活中产生的数据是越来越多，数据压缩技术可以帮助我们对数据进行存储和分析。

特征降维是无监督学习的另一个应用，目的有 2：（1）我们会经常在实际项目中遭遇特征维度非常之高的训练样本，而往往又无法借助自己的领域知识人工构建有效特征；（2）在数据表现方面，我们无法用肉眼观测超过三个维度的特征。因此，特征降维不仅仅重构了有效的低纬度特征，同时也为数据展现提供了可能。在特征降维技术中 PCA 主成分分析是最为经典和实用的特征降维技术，在图像识别方面表现的也很突出。

1、特征降维的目的

1.1为什么要进行数据降维？

通常处理的数据是多维的，算法的时间复杂度与维数成指数级增加。维数达上千万维，称为维数灾难，往往就需要进行降维处理。

1.2、数据降维的作用

数据降维：
* 1.使数据集更容易使用
* 2.降低算法的计算开销
* 3.去除噪声
* 4.减轻过拟合
* 5.易于获取有价值的信息

2、降维方法