2020-02-26
阅读量:
753
特征降维
在实际应用中，当特征个数增加到某一个临界点后，继续增加反而会导致分类器的性能变差——“维度灾难”（curse of dimensionality）。
对于高维数据，“维度灾难”使解决模式识别问题非常困难，此时，往往要求首先降低特征向量的维度。
降低特征向量维度的可行性分析：
特征向量往往是包含冗余信息的！
有些特征可能与分类问题无关
特征之间存在着很强的相关性
降低维度的方法
•特征组合：把几个特征组合在一起，形成新的特征
•特征选择：选择现有特征集的一个子集
针对不同的训练目标有不同的训练算法：
•最小化重构误差（主成分分析，PCA）
•最大化类别可分性（线性判别分析，LDA）
•最小化分类误差（判别训练，discriminative training）
•保留最多细节的投影（投影寻踪，projection pursuit）
•最大限度的使各特征之间独立（独立成分分析，ICA）
3.5326
2
2
关注作者
收藏
评论(0)
发表评论
暂无数据
推荐帖子
WXJLIJp
2021-06-29
0条评论
WXJLIJp
2021-06-29
0条评论
LXM21
2021-04-26
0条评论