PCA对手写数字数据集的降维 还记得我们上一周在讲特征工程时，使用的手写数字的数据集吗？数据集结构为(42000, 784)，用KNN跑一次半小时，得到准确率在96.6%上下，用随机森林跑一次12秒，准确率在93.8%，虽然KNN效果好，但由于数据量太大，KNN计算太缓慢，所以我们不得不选用随机森林 ...
分类：
编程语言 时间：
2021-06-28 18:03:47
阅读次数：
0
1 PCA参数列表 2 PCA属性列表 3 PCA接口列表 ...
分类：
编程语言 时间：
2021-06-28 18:03:27
阅读次数：
0
https://www.bilibili.com/video/BV184411Q7Ng?p=12 注解： 这里了的降维不是指数组的维度，不是1维、2维、3维那个维。 注解： 这个是3维的特征转换为2维的特征。 降维就是把样本的特征的数量减少，比如在分辨男女的时候，把每个样本里面的特征肤色去掉。 注解 ...
分类：
其他好文 时间：
2021-01-04 10:53:13
阅读次数：
0
一、用自己的话描述出其本身的含义： 1、特征选择 通过人工选择特征筛选删除相关系数较低的特征，从而达到降维的作用让模型更加准确。 2、PCA 分析、简化数据集，用特征降维的方法减少特征数降低数据复杂的，减少过度拟合的可能性。 二、并用自己的话阐述出两者的主要区别 特征选择后是原来的特征集；PCA选择 ...
分类：
其他好文 时间：
2020-05-03 15:01:58
阅读次数：
52
9.主成分分析 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 ...
分类：
其他好文 时间：
2020-05-01 19:02:44
阅读次数：
72
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、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
# coding = utf-8 from sklearn.feature_selection import VarianceThreshold from sklearn.decomposition import PCA ''' 数据降维：特征的数量减少(即columns减少) 1、特征选择原因： ... ...
分类：
其他好文 时间：
2019-05-10 23:21:21
阅读次数：
145
同为降维工具，二者的主要区别在于， 所在的包不同（也即机制和原理不同） from sklearn.decomposition import PCA from sklearn.manifold import TSNE 因为原理不同，导致，tsne 保留下的属性信息，更具代表性，也即最能体现样本间的差异 ...
分类：
其他好文 时间：
2019-03-03 18:54:10
阅读次数：
1001
