机器学习—解释什么是降维，在哪里会用到降维，它的好处是什么？

问题一：什么是降维？

降维是指通过保留一些比较重要的特征，去除一些冗余的特征，减少数据特征的维度。而特征的重要性取决于该特征能够表达多少数据集的信息，也取决于使用什么方法进行降维。一般情况会先使用线性的降维方法再使用非线性的降维方法，通过结果去判断哪种方法比较合适。

问题二：在哪里用到降维？

   1）特征维度过大，可能会导致过拟合时

   2）某些样本数据不足的情况（缺失值很多）

   3）特征间的相关性比较大时

问题三：降维的好处？

（1）节省存储空间；

（2）加速计算速度，维度越少，计算量越少，并且能够使用那些不适合于高维度的算法；

（3）去除一些冗余的特征（原数据中既有平方米和平方英里的特征--即相关性大的特征）

（4）便于观察和挖掘信息（如将数据维度降到2维或者3维使之能可视化）

（5）特征太多或者太复杂会使得模型过拟合。