一、用自己的话描述出其本身的含义： 1、特征选择 从多个特征中选择一部分特征作为训练集的特征，特征在选择前后不改变值。 2、PCA PCA是特征降维，降维是从一个维度空间映射到另一个维度空间，也就是高维度数据集映射到低维度空间的同时，尽可能的保留的变量。 二、并用自己的话阐述出两者的主要区别 特征选 ...
分类：
其他好文 时间：
2020-05-01 18:31:25
阅读次数：
53
一、描述出其本身的含义： 1、特征选择 特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。 特征选择主要有两个功能： (1)减少特征数量、降维，使模型泛化能力更强，减少过拟合 (2)增强对 ...
分类：
其他好文 时间：
2020-05-01 13:01:36
阅读次数：
254
一、用自己的话描述出其本身的含义： 1、特征选择 当我们拿到一个数据集的时候，它其中的特征会有很多，如果我们直接导入计算运算量将是极其庞大和没用处的，所以要对特征进行降维选择性的舍弃，留住重要部分，这个操作就叫特征选择。 2、PCA PCA是一种很成熟的用来对数据集进行简化降维的一种算法，他是在保留 ...
分类：
其他好文 时间：
2020-04-30 22:54:16
阅读次数：
59
一、用自己的话描述出其本身的含义： 1、特征选择 根据需求，选择具有价值的样本特征，即减少不必要的样本特征。 减少特征具有重要的现实意义，不仅减少过拟合、减少特征数量（降维）、提高模型泛化能力，而且还可以使模型获得更好的解释性，增强对特征和特征值之间的理解，加快模型的训练速度，一般的，还会获得更好的 ...
分类：
其他好文 时间：
2020-04-29 13:03:24
阅读次数：
302
1.逻辑回归是怎么防止过拟合的？为什么正则化可以防止过拟合？ 答： （1）可以通过增加样本量，或者提取不重要的特征进行降维来防止过拟合，也可以通过正则化来防止过拟合。 （2）正则化的原理，就是通过约束系数（w）的大小，进而抑制整体的过拟合情况。 2.用logiftic回归来进行实践操作，数据不限。 ...
分类：
其他好文 时间：
2020-04-29 12:50:57
阅读次数：
62
一、用自己的话描述出其本身的含义： 1、特征选择 ①特征选择就是特征降维中进行人工选择的方式，主观性剔除不要的特征。 2、PCA ②主成分分析是一种分析、简化数据集的技术。主成分分析经常用于减少数据集的维数，同时保持数据集中的对方差贡献最大的特征。 二、并用自己的话阐述出两者的主要区别 特征选择是从 ...
分类：
其他好文 时间：
2020-04-28 23:27:35
阅读次数：
102
一、用自己的话描述出其本身的含义： 1、特征选择 2、PCA 二、并用自己的话阐述出两者的主要区别 答：一、特征选择就是特征降维中进行人工选择的方式，主观性剔除不要的特征。而PCA则是特征降维中除了特征选择的另一种降维方法，中文名为主成分分析技术，他的作用是尽可能降低原数据的维数，简化数据。 二、两 ...
分类：
其他好文 时间：
2020-04-28 16:45:50
阅读次数：
46
一、用自己的话描述出其本身的含义： 1、特征选择 将高维空间的样本通过映射或者是变换的方式转换到低维空间，达到降维的目的，然后通过特征选取删选掉冗余和不相关的特征来进一步降维。 2、PCA 找出数据里最主要的方面，用数据里最主要的方面来代替原始数据 二、并用自己的话阐述出两者的主要区别 PCA是用于 ...
分类：
其他好文 时间：
2020-04-27 22:44:45
阅读次数：
56
很容易理解的一篇博客[http://blog.codinglabs.org/articles/pca tutorial.html] 在高维情形下出现的数据样本稀疏、距离计算困难等问题，称为“维数灾难”。 缓解维数灾难的一个重要途径是降维。将原始高维属性空间转变成一个低维子空间，子空间样本密度大幅提高 ...
分类：
其他好文 时间：
2020-04-27 09:27:36
阅读次数：
163
关于线性判别分析算法LDA算法，可以用来降维和分类，一种监督学习策略（也就是你要指定分几类），这一点是不同于PCA的（PCA是非监督学习的）。 推荐学习网址： https://blog.csdn.net/ruthywei/article/details/83045288 https://blog.c ...
分类：
编程语言 时间：
2020-04-17 15:57:37
阅读次数：
69
