机器学习中特征的维数减少

Question

有没有办法将以下要素的尺寸从2D坐标（x，y）缩小到一维？

Answer 1

是。实际上，减少特征的维度的方法有很多种。但是，它们在实践中的表现并不清楚。

特征减少通常通过主成分分析（PCA）完成，其涉及奇异值分解。它找到方差最大的方向 - 也就是那些＆＃34;某些东西正在进行的方向＆＃34;。

在您的情况下，PCA可能会将黑线视为两个主要组成部分之一：

将数据投影到此一维子空间，而不是产生简化形式的数据。

已经可以看到，在这一行上，三个功能组可以分开 - 我相应地着色了三个范围。对于您的示例，甚至可以完全分离数据集。然后，新数据点将根据其投影到黑线上的范围（或更一般地说，投影到主成分子空间上）进行分类。

形式上，人们可以通过使用PCA减少的数据作为输入的其他方法来获得除法，例如聚类方法或K-最近邻模型。

所以，是的，在你的例子的情况下，可以从2D到1D进行如此强烈的减少，同时，甚至可以获得合理的模型。