RT 降维技术

一，特征选择法

    1，用筛选器检测冗余特征

        a，相关性分析

            A，使用scipy.stat  pearson([1,2,3],[1,2,3,1]) 计算相关系数，返回相关系数值和p值，P越低则相关性系数越可信

            B，弊端：只能检测出线性关系

        b，互信息

            A，能处理非线性问题

            B，弊端：会扔掉在独立使用时没有用处的特征

                

一，主成分分析

    1，通过析取主成分显出最大的个别差异，也用来削弱回归分析和聚类分析中变量的数目

    2，可以使用样本协方差矩阵或者相关系数矩阵作为出发点进行分析

    3，kaiser主张将特征值小于1的成分放弃

    4，使用不超过3-5个成分就能解释变异的80%数据，就算是成功

    5，主要思想：

        a，通过对原始变量进行线性组合，得到优化的指标（降维）

        b，设法将原先众多具有一定相关性的指标，重新组合为一组新的相互独立的综合指标，并代替原先的指标

    6，princomp函数  

二，因子分析

    1，用于分析隐藏在表面现象背后的因子作用的统计模型。

试图用最少个数的不可测的公共因子的线性函数与特殊因子之和来描述原来观测的每一个分量

    2，求解模型的方法：

        a，主成分法

        b，主因子法

        c，极大似然法