本文介绍了降维技术在机器学习中的重要性，重点讲解了PCA（主成分分析）和SVD（奇异值分解）的原理与应用。PCA通过最大化方差来选择坐标轴，常用于降低数据复杂度，但可能丢失部分信息。SVD在信息检索和推荐系统中有广泛应用，能捕捉数据中的重要特征，并可用于图像压缩。在实际操作中，需根据累计方差百分比决定保留的主成分数量。
本系列目的在于总结每一个分类器的特点（优点、缺点、使用数据类型、使用时的注意事项等）。相关代码自己搜。
python：建议使用2.7
python常用函数库：NumPy、scikit-learn等
python集成环境：anaconda
毕业季，玩了20天。
降维的好处：
使数据集更易使用；降低算法开销；去除噪声；使结果更易理解。
常见的降维技术：
主成分分析（principal component analysis，pca）。在pca中，数据从原来的坐标系转换到了新的坐标系，新坐标系的选择是由数据本身决定的。第一个新坐标轴选择的是原始数据中方差最大的方向，第二个新坐标轴的选择和第一个坐标轴正交且具有最大方差的方向。该过程一直重复，重复次数为原始数据中特征的数目。我们会发现，大部分方差都包含在最前面的几个新坐标轴中。因此，我们可以忽略余下的坐标轴，即对数据
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
