特征选取和特征选择的区别：特征选择：能够保持数据的原始特征；
特征抽取：将数据转换或者映射到新的特征空间；即在尽可能保持相关信息的前提下，对数据进行压缩；
减无监督数据降维技术：主成分分析法(PCA)PCA是基于特征之间的关系，识别数据内在的本质；
PCA是在高位数据中找到最大方差的方向，同时将数据映射到 维度更小(与原始数据相比)的新的子空间；
说明：转换到新空间后，第一主成分的方差应该是最大的；
各主成分之间是不相关的(正交)，后续各主成分也具备较大方差；
主成分方向对数据值范围高度敏感，因此需要对特征进行标准化处理；
算法基本流程如下：对原始d微数据集做标准化处理；
构造样本的协方差矩阵；
计算协方差矩阵的特征值和相应的特征向量；
选择与前k个最大特征值相对于的特征向量，其中k为新特征空间维度；(k≤d)
通过前k个特征向量构建映射矩阵w；
通过映射矩阵w将d维数据集X转换到新的k为特征空间；
协方差矩阵：两个特征之间的协方差为正，说明二者会同时增减；为负，说明二者异向；
协方差矩阵的特征向量代表主成分(最大方差方向)，其对应的特征值大小就表示特征向量的重要性；
利用np.con()计算协方差矩阵；利用np.linalg.eig()求特征向量和特征值；
特征值的方差贡献率(variance explained ra
最低0.47元/天 解锁文章
1386
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
