9、主成分分析

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了9、主成分分析，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含273字，纯文字阅读大概需要1分钟。

内容图文

一、用自己的话描述出其本身的含义：

1、特征选择

能够提升模型的性能，帮助我们理解数据的特点、底层结构

2、PCA

使用较少的数据维度，同时保留住较多的原数据点的特性。尽可能将原始特征往具有最大投影信息量的维度上进行投影。将原特征投影到这些维度上，使降维后信息量损失最小

二、并用自己的话阐述出两者的主要区别

1、特征选择

选取出的特征不改变原有特征信息

2、PCA

注重实用性。可用于简化运算，可视化高维数据，发现隐性相关变量。

原文：https://www.cnblogs.com/chenjd/p/12822389.html

内容总结

以上是互联网集市为您收集整理的9、主成分分析全部内容，希望文章能够帮你解决9、主成分分析所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---