知识卡片
主成分保留高方差方向
主成分是由原特征线性组合得到的坐标。PCA 保留投影后方差最大的若干正交方向,适合可视化和欧氏距离下的低秩压缩。方差大只表示特征变化大,不能保证与标签相关。不同量纲、强离群点和非线性结构都会改变结果。
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
- 数据降维:深入理解PCA的来龙去脉 · 查看原书依据
数据可视化。人类生存的物理空间是三维空间,任何高于三维的数据我们都无法通过视觉直接感知。因此,数据科学家常常使用PCA对高维数据进行降维,从而便于可视化地展示数据特点,帮助研究人员洞察数据中蕴含的规律
参考来源
- 位置:《从零开始:机器学习的数学原理和算法实践》第5章《数据降维:深入理解PCA的来龙去脉》(来源项目 book-source:extracted/从零开始:机器学习的数学原理和算法实践/_epub-src/OEBPS/Text/chapter005.xhtml)
- 结论依据:原文从可视化、过拟合和计算成本说明降维目的,后文用最大方差确定方向。
- 原始内容:数据可视化。人类生存的物理空间是三维空间,任何高于三维的数据我们都无法通过视觉直接感知。因此,数据科学家常常使用PCA对高维数据进行降维,从而便于可视化地展示数据特点,帮助研究人员洞察数据中蕴含的规律