【人工智能】维度灾难、降维、主成分分析PCA、获取旧数据、非线性主成分分析

文章目录

  • 高维数据与维度灾难
  • 维度灾难
  • 降维
  • 为什么需要降维?
  • PRINCIPLE COMPONENT ANALYSIS
  • 主成分的几何图像
  • 最小化到直线距离的平方和
  • 举例
  • 主成分的代数推导
  • 优化问题
  • 计算主成分(Principal Components, PCs)的主要步骤
  • 获取旧数据的方法?
  • 主成分分析的最优性性质
  • 主要的理论结果
  • PCA图像压缩
  • 使用核的非线性主成分分析
  • 评价

高维数据与维度灾难

大多数机器学习和数据挖掘技术对于高维数据可能不太有效。这是由于维度灾难(Curse of Dimensionality)导致的。

随着维度的增加,查询的准确性和效率会迅速下降。因此,在高维数据中,许多机器学习和数据挖掘技术

你可能感兴趣的:(机器学习,深度学习,人工智能,人工智能,机器学习,lstm,深度学习)