【发布时间】：2019-10-24 03:58:25
【问题描述】：
在机器学习中，更多的特征或维度会降低模型的准确性，因为有更多的数据需要泛化 并且 这被称为维度灾难。
降维是一种降低模型复杂度和避免过拟合的方法。主成分分析（PCA）算法用于将数据集压缩到较低维度的特征上，以降低模型的复杂度。
何时/如何考虑我的数据集有很多特征，我应该寻找 PCA 来降维？
【问题讨论】：
标签： machine-learning dimensionality-reduction
【发布时间】：2019-10-24 03:58:25
【问题描述】：
简单的答案是，当我们需要解决维度诅咒
时使用它什么时候应该使用 PCA？
- 您是否想减少变量的数量，但又无法确定完全不考虑的变量？
- 您想确保您的变量相互独立吗？
- 您是否愿意让自变量难以解释？
如果您对所有三个问题的回答都是“是”，那么 PCA 是一种很好的使用方法。 如果您对问题 3 的回答为“否”，则不应使用 PCA。 好的教程是here
【讨论】：
-
感谢您的回答。我的问题是“我应该何时/如何考虑我的数据集有很多特征？”
让我提供另一种观点。
一般来说，您可以使用主成分分析有两个主要原因：
-
压缩：
- 例如，为了减少存储数据的空间。
- 加快您的学习算法（选择具有更多 方差）。查看组件的累积方差。
出于可视化目的，使用 2 或 3 个组件。
【讨论】：