高维向量空间学: 降维技术与特征提取

最新推荐文章于 2023-12-27 18:02:15 发布
最新推荐文章于 2023-12-27 18:02:15 发布
阅读量902 收藏 8
点赞数 4
文章标签： 人工智能 大数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/universsky2015/article/details/137309944
版权

1.背景介绍

高维向量空间学是一种研究高维数据的学科，主要关注于如何在高维空间中进行数据表示、处理和分析。随着数据规模的增加，数据的维度也在不断增加，这导致了高维数据的处理成为一个重要的研究问题。高维数据具有高纬度、稀疏、噪声、不均匀分布等特点，这使得传统的低维数据处理方法在高维数据上的表现不佳。因此，降维技术和特征提取技术在高维向量空间学中具有重要的意义。

降维技术是将高维数据映射到低维空间的过程，旨在减少数据的维度，同时保留数据的主要信息。降维技术可以减少存储和计算的开销，提高数据处理的效率。特征提取技术是将高维数据映射到低维空间的过程，旨在提取数据中的关键信息，以便进行更好的分类、聚类、分析等任务。

本文将介绍高维向量空间学中的降维技术和特征提取技术，包括其核心概念、算法原理、具体操作步骤和数学模型公式，以及具体代码实例和解释。

2.核心概念与联系

2.1 高维数据

高维数据是指具有大量特征的数据，例如人脸识别、文本摘要、图像识别等任务。高维数据的特点是：

  1. 数据的维度很高，例如人脸识别中的特征向量可能有几万个元素。
  2. 数据是稀疏的，很多特征的值为0或非常小。
  3. 数据是不均匀分布的，部分特征的变化可能对结果产生较大影响，而部分特征的变化对结果产生较小影响。
  4. 数据可能存在噪声，例如图像中的噪声点。

2.2 降维

降维是将高维数据映射到低维空间的过程，旨在减少数据的维度，同时保留数据的主要信息。降维技术可以减少存储和计算的开销，提高数据处理的效率。降维技术的主要方法包括：

  1. 线性降维：例如PCA(主成分分析)、LDA(线性判别分析)等。
  2. 非线性降维：例如t-SNE(摊牌欧氏距离嵌入)、UMAP(Uniform Manifold Approximation and Projection)等。

2.3 特征提取

特征提取是将高维数据映射到低维空间的过程，旨在提取数据中的关键信息，以便进行更好的分类、聚类、分析等任务。特征提取技术的主要方法包括：

  1. 线性特征提取：例如PCA(主成分分析)、LDA(线性判别分析)等。
  2. 非线性特征提取：例如SVM(支持向量机)、RBF(径向基函数)等。

2.4 联系

降维和特征提取技术在高维向量空间学中具有相似之处，但也有区别。降维技术主要关注于降低数据的维度，同时保留数据的主要信息，旨在减少存储和计算的开销。特征提取技术主要关注于提取数据中的关键信息，以便进行更好的分类、聚类、分析等任务。降维技术可以看作是特征提取技术的一种特例，即降维技术将数据映射到低维空间，但不一定保留数据中的关键信息。特征提取技术则将数据映射到低维空间，并保留数据中的关键信息。

3.核心算法原理和具体操作步骤以及数学模型公式详细讲解

3.1 PCA(主成分分析)

PCA是一种线性降维和特征提取技术，主要思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的方差。PCA的核心算法原理和具体操作步骤如下：

3.1.1 算法原理

PCA的核心思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的方差。具体来说，PCA首先计算出数据的均值，然后将数据减去均值，得到的是中心化后的数据。接着，将中心化后的数据的协方差矩阵进行特征提取，得到的是数据的主成分。最后，将数据投影到主成分上，得到的是降维后的数据。

3.1.2 具体操作步骤

  1. 计算数据的均值。
  2. 将数据减去均值，得到的是中心化后的数据。
  3. 计算中心化后的数据的协方差矩阵。
  4. 计算协方差矩阵的特征值和特征向量。
  5. 按照特征值的大小排序特征向量，选取前k个特征向量。
  6. 将数据投影到选取的特征向量上，得到的是降维后的数据。

3.1.3 数学模型公式

  1. 数据均值：$$ \bar{x} = \frac{1}{n} \sum{i=1}^{n} xi $$
  2. 协方差矩阵：$$ Cov(X) = \frac{1}{n-1} \sum{i=1}^{n} (xi - \bar{x})(x_i - \bar{x})^T $$
  3. 特征值和特征向量：$$ Cov(X)vi = \lambdai v_i $$
  4. 降维后的数据：$$ y_i = Xw $$

3.2 LDA(线性判别分析)

LDA是一种线性降维和特征提取技术，主要思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的类别间距。LDA的核心算法原理和具体操作步骤如下：

3.2.1 算法原理

LDA的核心思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的类别间距。具体来说，LDA首先计算出每个类别的均值，然后将数据减去均值，得到的是中心化后的数据。接着，将中心化后的数据的协方差矩阵进行特征提取，得到的是数据的主成分。最后，将数据投影到主成分上，得到的是降维后的数据。

3.2.2 具体操作步骤

  1. 计算每个类别的均值。
  2. 将数据减去均值，得到的是中心化后的数据。
  3. 计算中心化后的数据的协方差矩阵。
  4. 计算协方差矩阵的特征值和特征向量。
  5. 按照特征值的大小排序特征向量，选取前k个特征向量。
  6. 将数据投影到选取的特征向量上，得到的是降维后的数据。

3.2.3 数学模型公式

  1. 类别均值：$$ \bar{x}c = \frac{1}{nc} \sum{i \in c} xi $$
  2. 协方差矩阵：$$ Cov(X) = \frac{1}{n-1} \sum{i=1}^{n} (xi - \bar{x})(x_i - \bar{x})^T $$
  3. 特征值和特征向量：$$ Cov(X)vi = \lambdai v_i $$
  4. 降维后的数据：$$ y_i = Xw $$

3.3 t-SNE

t-SNE是一种非线性降维和特征提取技术，主要思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的局部结构保留。t-SNE的核心算法原理和具体操作步骤如下：

3.3.1 算法原理

t-SNE的核心思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的局部结构保留。具体来说，t-SNE首先计算出数据之间的相似度，然后将相似度转换为概率。接着，使用Gibbs随机分配算法，将数据分配到低维空间中的位置。最后，使用梯度下降算法，将数据在低维空间中的位置调整为使得数据之间的概率相似度最大化。

3.3.2 具体操作步骤

  1. 计算数据之间的相似度。
  2. 将相似度转换为概率。
  3. 使用Gibbs随机分配算法，将数据分配到低维空间中的位置。
  4. 使用梯度下降算法，将数据在低维空间中的位置调整为使得数据之间的概率相似度最大化。

3.3.3 数学模型公式

  1. 相似度：$$ sim(xi, xj) = \exp(-\frac{\|xi - xj\|^2}{2\sigma^2}) $$
  2. 概率：$$ p{ij} = \frac{sim(xi, xj)}{\sum{j \neq i} sim(xi, xj)} $$
  3. 梯度下降算法：$$ yi = yi - \eta \nabla{yi} \sum{j \neq i} KL(p{ij} || q_{ij}) $$

3.4 UMAP

UMAP是一种非线性降维和特征提取技术，主要思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的拓扑保留。UMAP的核心算法原理和具体操作步骤如下：

3.4.1 算法原理

UMAP的核心思想是将高维数据投影到一个低维的子空间中，使得在这个子空间中的数据具有最大的拓扑保留。具体来说，UMAP首先将高维数据映射到一个高度的虚拟空间中，然后将虚拟空间中的数据映射到低维空间中。UMAP使用一个有向图来表示数据之间的关系，然后使用欧氏距离和拓扑距离来计算数据之间的相似度。最后，使用梯度下降算法，将数据在低维空间中的位置调整为使得数据之间的拓扑距离最小化。

3.4.2 具体操作步骤

  1. 将高维数据映射到一个高度的虚拟空间中。
  2. 将虚拟空间中的数据映射到低维空间中。
  3. 使用欧氏距离和拓扑距离来计算数据之间的相似度。
  4. 使用梯度下降算法，将数据在低维空间中的位置调整为使得数据之间的拓扑距离最小化。

3.4.3 数学模型公式

  1. 欧氏距离：$$ d(xi, xj) = \|xi - xj\| $$
  2. 拓扑距离：$$ dt(xi, xj) = min{k \in V} (d(xi, k) + d(xj, k)) $$
  3. 梯度下降算法：$$ yi = yi - \eta \nabla{yi} \sum{j \neq i} KL(p{ij} || q_{ij}) $$

4.具体代码实例和详细解释说明

4.1 PCA

```python import numpy as np from sklearn.decomposition import PCA

高维数据

X = np.random.rand(100, 10)

PCA

pca = PCA(ncomponents=2) Xreduced = pca.fit_transform(X)

print(X_reduced.shape) # (100, 2) ```

解释说明：

  1. 导入numpy和PCA模块。
  2. 生成高维数据X。
  3. 使用PCA进行降维，指定降维后的维度数为2。
  4. 得到降维后的数据X_reduced。

4.2 LDA

```python import numpy as np from sklearn.datasets import loadiris from sklearn.discriminantanalysis import LinearDiscriminantAnalysis

高维数据

X, y = loadiris(returnX_y=True)

LDA

lda = LinearDiscriminantAnalysis(ncomponents=2) Xreduced = lda.fit_transform(X, y)

print(X_reduced.shape) # (150, 2) ```

解释说明：

  1. 导入numpy、load_iris和LDA模块。
  2. 加载鸢尾花数据集，得到X和y。
  3. 使用LDA进行降维，指定降维后的维度数为2。
  4. 得到降维后的数据X_reduced。

4.3 t-SNE

```python import numpy as np from sklearn.manifold import TSNE

高维数据

X = np.random.rand(100, 10)

t-SNE

tsne = TSNE(ncomponents=2) Xreduced = tsne.fit_transform(X)

print(X_reduced.shape) # (100, 2) ```

解释说明：

  1. 导入numpy和t-SNE模块。
  2. 生成高维数据X。
  3. 使用t-SNE进行降维，指定降维后的维度数为2。
  4. 得到降维后的数据X_reduced。

4.4 UMAP

```python import numpy as np from umap import UMAP

高维数据

X = np.random.rand(100, 10)

UMAP

umap = UMAP(ncomponents=2) Xreduced = umap.fit_transform(X)

print(X_reduced.shape) # (100, 2) ```

解释说明：

  1. 导入numpy和UMAP模块。
  2. 生成高维数据X。
  3. 使用UMAP进行降维，指定降维后的维度数为2。
  4. 得到降维后的数据X_reduced。

5.未来发展与挑战

未来发展：

  1. 随着数据规模的增加，高维向量空间学中的降维和特征提取技术将更加重要，以提高数据处理的效率和质量。
  2. 随着算法和硬件的发展，高维向量空间学中的降维和特征提取技术将更加高效，以满足更多的应用需求。
  3. 随着机器学习和深度学习的发展，高维向量空间学中的降维和特征提取技术将更加强大，以提高模型的性能和准确性。

挑战：

  1. 高维向量空间学中的降维和特征提取技术的计算成本较高，需要进一步优化算法以提高计算效率。
  2. 高维向量空间学中的降维和特征提取技术对数据的非线性关系敏感，需要进一步研究非线性降维和特征提取技术。
  3. 高维向量空间学中的降维和特征提取技术对数据的噪声敏感，需要进一步研究噪声去除技术。

6.附录

6.1 参考文献

  1. 杜姆·艾伯特，乔治·达维斯，2000。Principal Component Analysis。Safari.
  2. 麦克劳埃·劳伦斯，2004。Pattern Recognition and Machine Learning。Morgan Kaufmann.
  3. 戴维·阿希尔，2013。Understanding Machine Learning: From Theory to Algorithms。Morgan Kaufmann.
  4. 维克特·赫尔曼，2009。Information Theory, Inference, and Learning Algorithms。Cambridge University Press.
  5. 维克特·赫尔曼，2012。The Elements of Statistical Learning: Data Mining, Inference, and Prediction。Springer.

6.2 代码实例

6.2.1 PCA

```python import numpy as np from sklearn.decomposition import PCA

高维数据

X = np.random.rand(100, 10)

PCA

pca = PCA(ncomponents=2) Xreduced = pca.fit_transform(X)

print(X_reduced.shape) # (100, 2) ```

6.2.2 LDA

```python import numpy as np from sklearn.datasets import loadiris from sklearn.discriminantanalysis import LinearDiscriminantAnalysis

高维数据

X, y = loadiris(returnX_y=True)

LDA

lda = LinearDiscriminantAnalysis(ncomponents=2) Xreduced = lda.fit_transform(X, y)

print(X_reduced.shape) # (150, 2) ```

6.2.3 t-SNE

```python import numpy as np from sklearn.manifold import TSNE

高维数据

X = np.random.rand(100, 10)

t-SNE

tsne = TSNE(ncomponents=2) Xreduced = tsne.fit_transform(X)

print(X_reduced.shape) # (100, 2) ```

6.2.4 UMAP

```python import numpy as np from umap import UMAP

高维数据

X = np.random.rand(100, 10)

UMAP

umap = UMAP(ncomponents=2) Xreduced = umap.fit_transform(X)

print(X_reduced.shape) # (100, 2) ```

主成分分析：降维与特征提取
AI天才研究院
06-15 544
主成分分析：降维与特征提取 1.背景介绍 在现代数据分析和机器学习领域,我们经常会遇到高维数据集的挑战。高维数据不仅会增加计算复杂度,还可能导致"维数灾难"(curse of dimensionality)的问题,如数据稀疏性、过度拟合等。为了有效地处理高维数据,我们需要一种降
向量，高维思考
小小白
11-15 758
首先要知道什么是向量. 向量是数学，物理学，工程学科学等多个自然科学中的基本概念.。指一个同时具有大小方向，且满足平行四边形法则的几何对象。 在物理学工程学中，几何向量更成为矢量。许多物理量都是矢量。比如一个物体的位移，球撞向墙而对其时间的力等等。与之相对的标量，即只有大小没有方向的的量。一些与向量有关的定义亦与物理概念有密切联系，例如向量势对应余物理中的势能。 几何向量的概念在线性代数中由抽象化得到跟一般的向量概念。此处向量定义为向量空间的元素，要注意这些抽象意义上的向量不一定以数对表示，大小和方向的概念
机器学习之：特征向量选取
langwaipo981的专栏
07-18 1万+
在机器学习中， 特种向量选取是整个机器学习系统中非常重要的一步。 1.1. 特征向量选取 VS. 特征向量提取 请注意特征向量的选取有别于特征向量提取。前者的英文是feature selection, 而后者是feature extraction. 特征向量提取是直接作用于原始数据上的。比如，给定一组文档，我们的任务是要做文档分类。直接将文档输入给分类器是无法工作的，因为每篇文档有不同的字
高维向量降维（PCA）方法学习——学习笔记
RachelLee6的博客
10-15 2792
以下为学习笔记，不定期更新。 最近在处理图像，利用深度学习的方法将图像转换成向量，再对向量进行处理，在利用向量的过程中发现，无论是卷积神经网络还是深度残差网络，提取到的图像特征（每张图片对应一个向量）的维度都是非常高的，这对后期的利用图像特征进行处理造成了非常大的困难，所以寄希望于对提取到的图像特征进行降维处理，决定从最基础的方法——PCA（主成分分析）开始学起。 具体学习参考了博客： https://blog.csdn.net/luohualiushui1/article/details/88342768
【数据预处理】数据降维和特征提取
weixin_44943389的博客
09-27 438
数据降维和特征提取都是在数据预处理过程中常用的技术，它们旨在减少数据的维度以提升模型性能或减少计算复杂度。然而，它们的目标和方法略有不同：数据降维（Dimensionality Reduction）：目标：数据降维的目的是减少数据的特征维度，同时保留尽可能多的原始信息，以便更高效地处理和分析数据。方法：常用的数据降维方法包括主成分分析（PCA）、线性判别分析（LDA）等。PCA试图找到数据中最主要的方向（主成分）来表示数据，从而将数据投影到一个低维空间。LDA则是一种监督学习的降维方法，它考虑了类别信息，将
【机器学习】（十六）主成分分析PCA：高维数据可视化、特征提取
一亿少女的梦
07-23 3152
主成分分析（PCA）是一种旋转数据集的方法，旋转后的特征在统计上不相关。 用PCA做数据变换 首先，算法在原始数据点集中，找到方差最大的方向（包含最多信息），标记为‘成分1’。->找到与“成分1”正交（成直角）且包含最多信息的方向，标记为“成分2”。利用这一过程找到的方向被称为主成分，一般主成分个数和原始特征数相同。 从数据中减去平均值，是的变换后的数据以0为中心->旋转数据：使第一主成分与x轴平行，第二主成分与y轴平行。两坐标轴是不相关的，除了对角线，相关矩阵全为0。 仅保留一部分主成分（第
向量 （高维思考）
理想主义的花最终会盛开在浪漫主义的土壤里，我的热情永远不会熄灭在现实的平凡之中，我们终将上岸，阳光万里。
11-15 1106
前言 在老师的引导下，进行了6天的向量的学习，旨在培养和打开我们抽象和高维思考的能力，下面是我学习的总结以及思考。 向量 （高维思考）掌握一种抽象能力：向量相等高维思考能力向量的计算法则多向量分解为两个正交分量 掌握一种抽象能力：向量相等 什么是向量：既有大小，又有方向的量。 通过向量的学习，我们能够看到抽象的能力，以一个实例来说明。 向量相等 如何判断两个向量是相等的向量：我们就需要抽象出向量的长度和方向通过长度是否一致，方向是否相同。这其实就是一种抽象的能力，我们生活中有很多运用到抽象能力的地方，只是
Matlab技术降维算法与特征提取.docx
08-05
Matlab 技术降维算法与特征提取 Matlab 技术在降维算法和特征提取领域拥有丰富的工具和库，能够提供多种降维算法和特征提取方法的实现。本文将对 Matlab 技术中的降维算法和特征提取方法进行介绍，并对其在数据处理...
基于MATLAB的微表情识别：Gabor小波特征提取、PCA降维与ELM分类的应用
最新发布
04-09
接着，使用PCA（主成分分析）对高维特征向量进行降维处理，去除冗余信息并提高后续分类效率。最后，应用ELM（极限学习机）作为分类器，因其速度快、精度高等优点而被选中。此外，还涉及了GUI界面的设计，用于展示...
PCA.rar_PCA 特征降维_PCA降维 C_PCA降维C_特征向量 c_特征降维
09-19
在机器学习和数据挖掘领域，PCA通过线性变换将原始数据转换为一组各维度线性无关的表示，同时也尽可能地保持了数据集中的方差，即最大化新特征空间中的数据分散程度。这有助于减少数据的复杂性，提高模型的计算效率...
KPCA.rar_KP_PCA、KPCA降维_PCA特征提取_数据特征提取_特征 matlab
07-15
PCA（主成分分析）是一种广泛应用于数据预处理和特征提取的技术，通过线性变换将原始高维数据转换为一组线性不相关的低维表示，从而达到降维、去除噪声和提取主要特征的目的。PCA的核心思想是保留数据方差最大的方向...
光谱空间特征提取用来高光谱图像分类：维度约减和深度学习方法
热门推荐
chenyanqiao2010的博客
08-30 2万+
光谱空间特征提取用来高光谱图像分类：维度约减和深度学习方法
基于KITTI数据集的无人驾驶感知与传感器融合实现—（2）—图像的梯度空间特征提取
qq_40374812的博客
05-07 462
基于KITTI数据集的无人驾驶感知与传感器融合实现—（3）—图像的梯度空间特征提取学习前言一、Sobel边缘滤波器二、主要API介绍  1、Numpy模块  2、OpenCV模块    1）```dst = Sobel(src, ddepth, dx, dy, dst=None, ksize=None, scale=None, delta=None, borderType=None)```    2）```dst = cv.convertScaleAbs (src [，dst [，alpha [，be
视频处理：PCANet提取视频空间特征
qq_39659791的博客
11-22 876
提取每个视频的关键帧，作为视频空间特征提取的输入。通过操作，会发现每个视频的关键帧数量是不同的，这就意味着如果用深度学习网络对单幅视频帧进行特征提取，每个视频的特征数量是不同的，这样就没有办法放在svr这样的回归器中进行训练。这里我采用的办法是分段处理。 将提取的关键帧按10帧为一段，标签同整个视频的标签处理。在处理过程中会出现剩余得帧数少于10帧，但也有8帧9帧，如果全部丢弃会丢失很多信息，这...
利用特征提取进行特征降维
Rocket,Qian的博客
09-14 2665
利用特征提取进行特征降维1. 使用主成分进行特征降维2. 对线性不可分数据进行特征降维3. 通过最大化类间可分性进行特征降维4. 使用矩阵分解进行特征降维5. 对稀疏矩阵进行特征降维 1. 使用主成分进行特征降维 问题描述：对于给定的一组特征，在保留信息量的同时减少特征的数量 解决方案： from sklearn.preprocessing import StandardScaler from sklearn.decomposition import PCA from sklearn import data
高维数据的降维处理与矩阵转置
AI天才研究院
12-27 705
1.背景介绍 高维数据在现实生活中非常常见，例如人脸识别、图像处理、文本摘要等。然而，高维数据存在许多问题，例如数据噪声、高维稀疏性、高维数据的计算成本等。因此，降维处理成为了处理高维数据的重要方法之一。降维处理的主要目标是将高维数据映射到低维空间，从而减少数据的维数、减少计算成本、提高计算效率、减少噪声影响、提取数据中的关键特征等。 在本文中，我们将从以下几个方面进行讨论： 背景介绍 核...
机器学习：特征工程、特征提取、特征选择与数据降维间的关系
mechleechan的博客
02-13 1万+
所属知识点：Machine Learning：Feature Engineering归纳和总结机器学习技术的库：ViolinLee/ML_notes。该库主要内容是我的机器学习笔记，同时挑选和收集各类与机器学习技术相关的高质量资源，欢迎大家关注和Star！会一直更新下去。 （1）基础概念 特征（Feature）：特征是所有独立单元共享的属性，是进行分析或预测的对象。只要对模型有用...
特征提取方法
zhao_crystal的博客
11-21 2万+
在图像识别方向，可通过sift，surf，orb等算法提取特征，然后再喂给一个中等粒度的vector2算法，最后再去做分类。 1. sift 1.1 sift特征简介 SIFT(Scale-Invariant Feature Transform)特征，即尺度不变特征变换，是一种计算机视觉的特征提取算法，用来侦测与描述图像中的局部性特征。 实质上，它是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。SIFT所查找到的关键点是一些十分突出、不会因光照、仿射变换和噪音等因素而变化的点，如角点
向量学习之高维思考
李赛男
11-15 896
前两年看了一部电影叫《星际穿越》，电影的最后有个精彩的桥段，是男主跌落到了宇宙中的黑洞深处。他发现自己进入了一个高维空间。他能够看到他在地球上的女儿，他女儿看不见他。而且能看到不同时空状态下他的女儿。比如昨天的，现在的和明天的女儿。当时就觉得编剧脑洞真大，可最近两年大家总在说高维思考，理论不好理解，但是这部电影其实很好的诠释了高维的概念，三维大家都知道，第四维其实就是时间，看似完全没有联系的内容就通过一个新的概念联系在了一起，就好像最近我们在学习的向量，里面有很多的数学概念，因为断断续续的学习，其实有些内容
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

AI天才研究院

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

实付元
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