论文阅读(一种新的稀疏PCA求解方式)Sparse PCA: A Geometric Approach
首先给不了解的读者补充一下稀疏PCA概念:普通PCA得到的主成分有大量非0的原始变量,所以主成分其实是不太清晰的。稀疏PCA通过减少构建主成分的变量数量,可以提高模型的可解释性、预测能力或降低操作成本。相比较而言,稀疏PCA更适用于需要模型解释性的场景。稀疏PCA 在普通PCA的基础上,引入了一个惩罚函数。这样做的目的是使得大部分系数变为零,从而凸现出主成分的主要部分。稀疏PCA的实现通常涉及到在标准的PCA优化问题中加入一个正则化项,以促使某些系数变为零。
原创
2024-06-11 19:10:07 ·
1571 阅读 ·
1 评论