(模式识别)特征降维问题

特征降维是为了解决多重共线性、高维稀疏性和变量冗余问题。PCA是常用的线性方法,通过正交变换找到主要成分,但可能无法捕捉非线性属性。LDA则侧重于分类,同时考虑类别信息。非线性方法如LLE和Laplacian Eigenmaps则适用于非线性结构数据。在Matlab中,PCA可利用princomp函数实现。
摘要由CSDN通过智能技术生成

(模式识别)特征降维问题

降维的必要性

  • 多重共线性--预测变量之间相互关联。多重共线性会导致解空间的不稳定,从而可能导致结果的不连贯。
  • 高维空间本身具有稀疏性。一维正态分布有68%的值落于正负标准差之间,而在十维空间只有0.02%。
  • 过多的变量会妨碍查找规律的建立。
  • 仅在变量层面上分析可能会忽略变量之间的潜在联系。

降维的目的:

  1. 减少预测变量的个数
  2. 确保这些变量是相互独立的
  3. 提供一个框架来解释结果
降维的方法主要有:1.主成分分析算法(PCA)、2.线性判别分析(LDA)、3.局部线性嵌入(LLE)、4.拉普拉斯特征映射(Laplacian Eigenmaps)

1.主成分分析算法(PCA)

    主成分分析法是一种数据压缩的常用方法。主要是基于正交变换的思想,保留有显著贡献的特征向量。任取一个特征向量,如果它所对应的特征值在数据集上代表一个显著的方差值,则它称之为这个数据集的一个主成分。(其中,每一个特征向量和一个方差对应,而这个方差又由对应的特征值表示)

    主成分分析算法存在的缺点:

  •    主成分法是基于原始特征的一种线性变换。若原始数据中存在
评论
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
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