【人工智能】—_维度灾难、降维、主成分分析PCA、获取旧数据、非线性主成分分析

高维数据与维度灾难

大多数机器学习和数据挖掘技术对于高维数据可能不太有效。这是由于维度灾难（Curse of Dimensionality）导致的。

随着维度的增加，查询的准确性和效率会迅速下降。因此，在高维数据中，许多机器学习和数据挖掘技术可能无法处理。

然而，高维数据的内在维度可能很小。例如，在某种类型的疾病中负责的基因数量可能很少。因此，对于高维数据，需要使用专门针对高维数据的技术，如降维和特征选择，以提高机器学习和数据挖掘的效率和准确性。

维度灾难

在高维数据中，维度灾难（Curse of Dimensionality）会导致以下问题：

• 随着维度的增加，数据在所占用的空间中变得越来越稀疏。
• 密度和点之间的距离的定义对于聚类和异常检测变得越来越无意义。
• 如果 $N$