【机器学习】主成分分析

主成分分析(PCA)是机器学习中的降维技术,用于缓解因高维数据带来的维数灾难。PCA通过对数据进行中心化,然后找到最大化样本方差的新坐标轴,这些坐标轴即为主成分。通过保留最重要的主成分,PCA可以在降低数据维度的同时保持大部分信息。第一主成分是样本投影后方差最大的方向,后续主成分在保持正交性的前提下依次最大化方差。PCA的几何解释是找到使样本投影后最分散的轴。选择主成分的数量通常基于方差贡献率,确保累计方差贡献率达到一定比例,如70%-80%。
摘要由CSDN通过智能技术生成

有任何的书写错误、排版错误、概念错误等,希望大家包含指正。

维数灾难

在高维情形下出现的数样本稀疏、距离计算困难等问题,是所有机器学习方法共同面临的的严重障碍,被称为“维数灾难”或“维数危机”(curse of dimensionality)。

为了方便思考,我们对离散属性(样本特征)进行分析。属性 a 1 a_1 a

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

不牌不改

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
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