Principal Component Analysis 算法优缺点： 优点：降低数据复杂性，识别最重要的多个特征 缺点：不一定需要，且可能损失有用的信息 适用数据类型：数值型数据 算法思想： 降维的好处： 使得数据集更易使用 降低 ...

一、因子分析 　　因子分析是将具有错综复杂关系的变量（或样本）综合为少数几个因子，以再现原始变量和因子之间的相互关系，探讨多个能够直接测量，并且具有一定相关性的实测指标是如何受少数几个内在的独立因子 ...

概念 在机器学习中经常会碰到一些高维的数据集，而在高维数据情形下会出现数据样本稀疏，距离计算等困难，这类问题是所有机器学习方法共同面临的严重问题，称之为“ 维度灾难 ”。另外在高维特征中容易出现特征之间的线性相关，这也就意味着有的特征是冗余存在的。基于这些问题，降维思想就出现了。 降维方法 ...

转载请声明出处：http://blog.csdn.net/zhongkelee/article/details/44064401 一、PCA简介 1. 相关背景 上完陈恩红老师的《机器学习与知识发现》和季海波老师的《矩阵代数》两门课之后，颇有体会。最近在做主成分分析和奇异值分解 ...

PCA（Principal Component Analysis）是一种常用的数据分析方法。PCA通过线性变换将原始数据变换为一组各维度线性无关的表示，可用于提取数据的主要特征分量，常用于高维数据的降维。网上关于PCA的文章有很多，但是大多数只描述了PCA的分析过程，而没有讲述其中的原理。这篇 ...

降维目的：样本数据为高维数据时，对数据进行降维操作，避免模型出现过拟合。 1.过拟合含义：训练集误差小，验证集误差大。 过拟合三种解决方案：1）增加数据集；2）正则化； 3）降维。 2.高维灾难： 具有高维度特征的数据易导致高维灾难。 高维灾难的几何角度解释： 高维灾难含义：高维 ...

数据集中含有太多特征时，需要简化数据。降维不是删除部分特征，而是将高维数据集映射到低维数据集，映射后的数据集更简洁，方便找出对结果贡献最大的部分特征。 简化数据的原因： 1、使得数据集更易使用 2、降低很多算法的计算开销 3、去除噪声 4、使得结果易懂 PCA：principal ...

MATLAB实例：PCA降维 作者：凯鲁嘎吉 - 博客园 http://www.cnblogs.com/kailugaji/ 1. iris数据 5.1,3.5,1.4,0.2,1 4.9,3.0,1.4,0.2,1 4.7,3.2,1.3,0.2,1 ...