【机器学习】降维方法
降维的作用:
- 降低时间复杂度和空间复
- 节省了提取不必要特征的开销
- 去掉数据集中夹杂的噪
- 较简单的模型在小数据集上有更强的鲁棒性
- 当数据能有较少的特征进行解释,我们可以更好 的解释数据,使得我们可以提取知识。
- 实现数据可视化
线性降维方法:
主成分分析(PCA)、线性判别分析(LDA)、奇异值分解(SVD)、因子分析、独立成分分析
非线性降维方法:
局部线性嵌入(LLE)、拉普拉斯特征映射(Laplacian Eigenmaps)、神经网络等
参考:https://blog.csdn.net/ma416539432/article/details/53286028