问基于PCA的神经网络降维方法？

EN

您使用的降维方法与用于分类的方法无关。在训练任何类型的分类器之前，你可以使用PCA对你的数据进行预处理，如果你想使用人工神经网络的话，你可以使用它。

如果您的数据由行中的观察组成，而且每一列都是该观察的变量，则可以调用这些列维度。这些也可以称为观测的特征。

从数据集中删除列/特性本质上是降维。从高维空间到低维空间(更少的列)。事实上，你没有结合特征，旋转空间并不意味着它不是一种有效的降维形式。

为什么你反对在神经网络中使用PCA？PCA不关心你所追求的是哪种分类。实际上，R的插入包中有一个方便的函数，在神经网络之前实现主成分分析，以简化神经网络的计算。

从数据库中提取的数据集包含50多个列。

你可以称他们为特征。功能集是你操作的东西。

显然，我必须对它们进行降维。但是，由于PCA算法和其他算法一样，通常会进行轴旋转来生成一些新的轴。我认为我不会在降维中使用PCA算法。

我不确定你是否完全理解PCA。PCA不生成新的随机轴，而是表示数据最大方差的轴。因此，PCA一定会执行维数约简，因为数据有一些不向模型添加信息的值。您可以将此特征提取或特征筛选称为

我之所以不使用PCA算法，是因为我想实现神经网络分类，而且我需要实际的参数。

是什么让你思考，在PCA后你没有“真实”的参数。这只是相同数据的不同视图(假设这些轴是眼睛，数据是对象，您只是对同一个对象有不同的视图)。

我看到的唯一问题是，分量投影的轴是正交的，如果您想避免，可以继续使用ICA (独立分量分析)。