网站公告:
诚信为本,市场在变,诚信永远不变...
全国服务热线:400-123-4657
客户案例CASE
当前位置: 首页 > 客户案例
澳门最新网站游戏:用PCA还是LDA?特征抽取经典算法大PK
添加时间:2024-10-31 15:13:02
本文摘要:在之前的格物汇文章中,我们讲解了特征提取的经典算法——主成分分析(PCA),理解了PCA算法实质上是展开了一次坐标轴转动,尽量让数据同构在新的坐标轴方向上的方差尽量大,并且让原数据与新的同构的数据在距离的变化上尽量小。

在之前的格物汇文章中,我们讲解了特征提取的经典算法——主成分分析(PCA),理解了PCA算法实质上是展开了一次坐标轴转动,尽量让数据同构在新的坐标轴方向上的方差尽量大,并且让原数据与新的同构的数据在距离的变化上尽量小。方差较小的方向代表数据所含的信息量较小,建议保有。方差较小的方向代表数据所含的信息量较较少,建议抛弃。

今天我们就来看一下PCA的明确应用于案例和特征同构的另一种方法:线性判别分析(LDA)。PCA案例在机器学习中,所用于的数据往往维数相当大,我们必须用于降维的方法来凸显信息含量较小的数据,PCA就是一个很好的降维方法。下面我们来看一个明确的应用于案例,为了非常简单起见,我们用于一个较小的数据集来展出:显而易见,我们数据有6维,维数虽然不是很多但不一定代表数据不可以降维。我们用于sklearn中的PCA算法数值数据集获得如下的结果:我们可以看见经过PCA降维后仍然分解了新的6个维度,但是数据同构在每一个维度上的方差大小不一样。

我们不会对每一个维度上的方差展开归一化,每一个维度上的方差量我们称作可说明的方差量(ExplainedVariance)。


本文关键词:澳门威尼克斯人网站(MACAU),澳门威尼克斯人网站正式版,澳门最新网站游戏

本文来源:澳门威尼克斯人网站(MACAU)-www.didongsi.com