← 返回刚才阅读的位置

知识卡片

问题卡 · 9449.h · 生成模型:Tencent Hunyuan Hy

PCA免调参既是优点也是缺点

理解等级:高级

PCA的鲜明特点是完全无监督、无参数限制:计算过程不需要人为设参数,也不靠经验干预,结果只与数据相关、与模型选择无关。这带来两个好处——它消除了评估指标之间的相关影响,使主成分彼此独立,指标间相关性越高降维效果越好;也省去了别的评估方法必须反复试验来做指标选择的麻烦。但同一特点也是最大缺点:如果用户已有先验知识、掌握部分特征,却无法通过参数化手段干预过程,就可能得不到预期结果,效率也降低。用好PCA有两个前提:前几个主成分的累计贡献率要高(信息量保住),且主成分要能给出符合业务含义的解释,否则就是空有信息而无意义。边界:PCA只适合线性相关数据,不适合高阶相关;后者可改用核主成分分析,先用核函数把非线性相关数据转成线性相关,思路与SVM处理非线性问题相同。应用上,人脸识别把40000维灰度特征降到低维子空间,金融理财场景把注册、风评、告知等五个维度压成一维再做散点或聚类分群,都比按年龄收入分群更准。

这张卡片看不懂?

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 10.3.2 PCA的特点与作用 · 查看原书依据

      PCA的计算过程完全不需要人为地设定参数或根据任何经验对计算结果进行干预,最后的结果只与数据相关,与模型选择无关 。 诚然,这是PCA的优点,但是从某种程度上来说这也成了PCA算法最大的缺点。如果用户对观测对象已经有一定的先验知识,掌握了数据的一些特征,却无法通过参数化等方法对处理过程进行干预,那么可能会得不到预期的效果

    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:原文指出PCA全无参数、结果只与数据相关,同时又说这恰是最大缺点,并给出贡献率与业务解释两个使用前提及高阶相关受限,支撑本卡权衡结论。 - 原始内容:PCA的计算过程完全不需要人为地设定参数或根据任何经验对计算结果进行干预,最后的结果只与数据相关,与模型选择无关 。 诚然,这是PCA的优点,但是从某种程度上来说这也成了PCA算法最大的缺点。如果用户对观测对象已经有一定的先验知识,掌握了数据的一些特征,却无法通过参数化等方法对处理过程进行干预,那么可能会得不到预期的效果