什么时候应该使用主成分分析？
什么时候应该使用主成分分析？
提问于 2019-06-09 20:48:53
在机器学习中，更多的特征或维度会降低模型的精度，因为有更多的数据需要泛化 和 ，这就是所谓的维数灾难。
降维是一种降低模型复杂性并避免过拟合的方法。主成分分析(PCA)算法用于将数据集压缩为低维特征，以降低模型的复杂性。
我应该在什么时候/如何考虑我的数据集具有许多特征，并且我应该寻找PCA来进行降维？
回答 2
Stack Overflow用户
发布于 2019-06-09 21:32:40
简单的答案是，当我们需要处理维度的诅咒时，可以使用Its
什么时候应该使用PCA?
- 是否要减少变量的数量，但无法确定要从consideration?
- Do中完全删除的变量要确保变量之间的相互独立？
- 您是否愿意减少独立变量的数量
如果你对所有三个问题的回答都是“是”，那么PCA是一个很好的使用方法。如果你对问题3的回答是“否”，你就不应该使用PCA. Good tutorial is here
Stack Overflow用户
发布于 2020-02-06 22:07:45
让我对此提供另一种观点。
通常，您可以出于两个主要原因使用主成分分析：
用于压缩的
- ：
- To reduce space to store your data, for example.
- To speed up your learning algorithm (selecting the principal components with more variance). Looking at the cumulative variance of the components.
用于可视化目的的
- ，使用2或3个组件。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/56514725
复制相关文章
相似问题
腾讯云开发者
