知识卡片
PCA以主方向降维
主成分分析(PCA)寻找数据中方差最大的正交方向,并把样本投影到选定的前几个方向,以较少坐标近似表示原数据。舍弃方向可能丢失信息,最大方差也不保证最有利于预测;成分数与缩放方式应按任务验证,变换只在训练数据上拟合。
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
- 数据准备 · 查看原书依据
不再使用水平投影线,而是旋转直线,直到它通过最大方差的方向
参考来源
- 位置:《深度学习:从基础到实践(上下册)》第12章《数据准备》(来源项目 `extracted/深度学习:从基础到实践(上下册)/_epub-src/text/part0019_split_007.html`)
- 结论依据:原文描述特征过滤、投影与图像变体;训练集边界及同源划分是防泄漏的应用限定。
- 原始内容:不再使用水平投影线,而是旋转直线,直到它通过最大方差的方向。想象一下,这条直线投影之后,将具有最大范围的点。 任何实现PCA的库的例程都会自动地为我们提供这条直线。图12.15显示了吉他数据的这条直线。 图12.15 粗