2020-02-26
閱讀量:
744
特征降維
在實際應(yīng)用中，當特征個數(shù)增加到某一個臨界點后，繼續(xù)增加反而會導致分類器的性能變差——“維度災(zāi)難”（curse of dimensionality）。
對于高維數(shù)據(jù)，“維度災(zāi)難”使解決模式識別問題非常困難，此時，往往要求首先降低特征向量的維度。
降低特征向量維度的可行性分析：
特征向量往往是包含冗余信息的！
有些特征可能與分類問題無關(guān)
特征之間存在著很強的相關(guān)性
降低維度的方法
?特征組合：把幾個特征組合在一起，形成新的特征
?特征選擇：選擇現(xiàn)有特征集的一個子集
針對不同的訓練目標有不同的訓練算法：
?最小化重構(gòu)誤差（主成分分析，PCA）
?最大化類別可分性（線性判別分析，LDA）
?最小化分類誤差（判別訓練，discriminative training）
?保留最多細節(jié)的投影（投影尋蹤，projection pursuit）
?最大限度的使各特征之間獨立（獨立成分分析，ICA）
3.5326
2
2
關(guān)注作者
收藏
評論(0)
發(fā)表評論
暫無數(shù)據(jù)
推薦帖子
WXJLIJp
2021-06-29
0條評論
WXJLIJp
2021-06-29
0條評論
LXM21
2021-04-26
0條評論