1. 维度
对于数组来说,就是.shape返回的结果,返回了几个数字,就是几维。如下:
"""一维"""
array([1, 2])
# 返回的.shape结果,返回了1个数字
shape (2,)
"""二维"""
array([[1 2],
[2 3],
[3 4]])
# 返回的.shape结果,返回了2个数字
shape (3, 2)
"""三维"""
array([[[1 2],
[2 3],
[3 4]],
[[1 2],
[2 3],
[3 4]]])
# 返回的.shape结果,返回了3个数字
shape (2, 3, 2)
在特征矩阵中,维度指的是样本的数量或特征的数量,一般情况下,表示特征的数量。1个特征就是一维,2个就是二维…n个就是n维。
在图像中,维度就是特征向量的数量。一个特征向量可以定义一条直线(一维);两个相互垂直的特征向量可以定义一个平面(二维);三个相互垂直的特征向量可以定义一个空间(三维);三个以上就是我们肉眼不可见,也难以想象的高维空间了。
2. 降维
降维算法中的“降维”如何理解呢?
所谓“降维”,顾名思义,就是降低特征矩阵中特征的数量。降维的实现可以让算法的运算速度更快,除此之外,降维还可以使得数据可视化。上面也说明了,我们人类能够想象的最高就是三维空间,通过降维,实现数据可视化,就能帮助我们更好理解数据分布。