引言
在现实世界中，大部分数据是冗余的，以多个低维空间联合分布的形式存在。例如，我们每个人在不同的光和移动模式下的面部图像存在于大约9个子空间维中。手写数字集合MNIST中的单个数字近似存在于一个简单的子空间中，但在三维空间中表示。同时，当今的传感器以及各类移动终端不断地获取数据，数据量和维数都非常大，如何从高维数据中提取和分析数据就显得非常重要。
凡是都具有两面，数据维度高（大量特征）既是优点——数据量越大，特征越多，分析的结果按道理越可信；但是也是缺点——造成“维度灾难”，可能无从下手，同时计算处理时耗费的资源太大。因此需要一种很好的方法来处理高维度数据，在减少维度特征同时，避免丢失太多信息。
下面将从几个方面概述降维：
降维
在机器学习领域中所谓的降维就是指——采用某种映射方法，将原高维空间中的数据点映射到低维度的空间中。本质是采用一个映射函数 f : X → Y f:X\rightarrow Y f:X→Y，其中 X ∈ R n × d X \in R^{n \times d} X∈Rn×d为原始的 n n
最低0.47元/天 解锁文章
2969
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
