PCA的输出是什么?它是如何有用的？
PCA的输出是什么?它是如何有用的？
提问于 2017-11-01 04:45:26
PCA是一种降维算法，它有助于减少数据的维数。我还没有理解的是，PCA以递减的顺序给出了特征向量的输出，如PC1、PC2、PC3等。因此，这将成为我们的数据的新轴。
- 我们可以在哪里应用这个新的轴来预测测试集数据？
- 我们实现了从n到n-k的降维.
- 如何从数据中获取最有用的变量并从数据中消除不重要的列？
- 是否有其他方法用于常设仲裁院？
回答 1
Stack Overflow用户
发布于 2017-11-01 08:45:29
PCA的思想是将维数降到方差最大的n-k特征向量所创建的子空间，从而使映射到新子空间的数据产生最大的方差。
此外，在不知道培训数据的类别的情况下，可以使用PCA降低维度，这意味着它是不受监督的。
另一个选项，如果您知道您的培训数据的类别，是使用LDA，它试图找到的特征空间，最大限度的类之间的变化。
希望这能有所帮助
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/47048399
复制相关文章
相似问题
腾讯云开发者
