知识卡片
升维补特征降维去冗余
特征多少和分类难易之间存在一种两头为难的关系。特征太少时信息不足,数据在低维平面往往不可线性区分;常见的解法是升维——利用已有特征构造新特征,把二维数据映射到三维,就有机会找到一个划分超平面把两类分开。反过来,特征太多又会变成一团乱麻:维度之间常存在相关性,相关性带来冗余,例如一条说此人是男性、另一条说他不是女性,两条信息重复,去掉其一即可。降维要做的正是消除这类冗余,并进一步剔除信息量小的字段实现压缩,图像压缩就是典型——清晰度略降而体积大减。可迁移的启发是:升维和降维不是对立的,前者补信息、后者去冗余,选择哪种取决于当前瓶颈是特征不够还是特征过量。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 透过现象看本质,全靠降维来帮忙 10.2.1 维数过高带来的问题 · 查看原书依据
当数据特征太少时,获取的信息不足,比较难分类;当数据特征太多时,又会变成一团乱麻,无从处理。既然数据特征太少时,我们可以用“升维”的方式构造新的特征来解决问题,那么在数据特征太多时,我们也可以尝试使用“降维”的方式,来减少特征,留下对我们有用的信息。
参考来源
- 位置:《产品经理进阶:100个案例搞懂人工智能 (林中翘)》第10章《透过现象看本质,全靠降维来帮忙》(源文件:`../../book-sources/extracted/产品经理进阶:100个案例搞懂人工智能 (林中翘)/_epub-src/OEBPS/text00015.html`,来源项目 a19c7933-4eda-4176-aebd-30fe7e1ad292)
- 结论依据:原文通过二维不可分升到三维可分的例子说明升维构造新特征,又以男性/不是女性的冗余说明降维去冗余与压缩,支撑本卡对比结论。
- 原始内容:当数据特征太少时,获取的信息不足,比较难分类;当数据特征太多时,又会变成一团乱麻,无从处理。既然数据特征太少时,我们可以用“升维”的方式构造新的特征来解决问题,那么在数据特征太多时,我们也可以尝试使用“降维”的方式,来减少特征,留下对我们有用的信息。