问机器学习中的主成分分析
EN

Stack Overflow用户

提问于 2015-02-28 17:19:54

回答 2查看 694关注 0票数 3

当将PCA技术应用于训练集时，我们找到了一个系数矩阵A，它是主成分。因此，当我们在培训阶段，我们找到这位校长，并将其投射到数据上。我的问题是，我们是否应用了相同的主体，还是在测试阶段为数据找到了新的主体？

我想在这样的回答中:如果我们用它进行降维，我们必须找到新的原则。但是，如果我们用它进行特征提取(就像对EEG数据的特征提取)，我们必须使用旧的(即训练阶段的数据)，我的想法有多少是正确的？

B:我不是同时问和回答这个问题，而是说出我的想法，表明误解之处，听取专家的意见

发布于 2015-03-03 14:59:28

PCA是特征向量变换的一种。目标是降低维数。它融合了相关的特征。如果你有重量和尺寸这样的特征，当物体很重的时候，它也是很大的。它用一个weight_and_size替换了这些特性。它降低了噪音，同时也制造了e.q。神经网络较小。

它使网络能够在较短的时间内解决问题(正在缩小网络的大小)。它还应改进泛化。

所以，如果你用特征向量训练你的网络，压缩的和主成分分析，你也必须用转换的数据测试它。因为它只有压缩的特征向量那么多的输入。您还必须使用完全相同的转换。如果网络了解到第一个输入是weight_and_size，那么就不能将e.q的值放入其中。warm_and_colorful和期望好的结果。

票数 0

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/28784591

复制

相似问题

问机器学习中的主成分分析EN