特征选择，聚类，降维算法之间的差异

Question

有人能指出特征选择和聚类以及降维算法之间的区别吗？

特征选择算法：允许找到最能代表数据的主要变量或指示类的最佳参数 例如：gbm / lasso

聚类有助于我们指出哪些变量集群明确定义了输出

这与降维算法不一样吗？ 特征选择+聚类不是与降维算法相同吗？

Answer 1

Feature Selection:

  

在机器学习和统计中，功能选择也称为   变量选择，属性选择或变量子集选择，   是选择相关特征子集的过程（变量，   用于模型构建的预测器。

Clustering:

  

聚类分析或聚类是分组一组的任务   对象以同一组中的对象（称为   群集）彼此更相似（在某种意义上或另一种意义上）   而不是其他群体（群集）。

Dimensionality Reduction:

  

在机器学习和统计学中，维数减少或   降维是减少随机数的过程   正在考虑的变量，可以分为特征   选择和特征提取。

当您有许多功能并想要使用其中一些功能时，您可以应用功能选择（即mRMR）。因此，这意味着您已应用降维。

然而，聚类是将一组观察分配到子集（称为聚类）中，以便同一聚类中的观察在某些聚类中相似 感。聚类是一种无监督学习的方法，也是许多领域中使用的统计数据分析的常用技术（检查Clustering in Machine Learning）。如果要根据功能对不同的数据点进行分组（聚类），可以使用/不使用降维来应用聚类（即k-means）。