云标签会影响％测试准确性吗？

Question

我有96个功能，标签用1和-1表示，用于输入到深度学习模型。

1- PCA

此处3轴代表3个第一主要成分。蓝云代表标签1，红云代表标签-1。

即使我们可以从视觉上识别出两个不同的云，它们也会粘在一起。因此，我认为我们在培训阶段可能会遇到问题。

2- t-SNE

对于与t-SNE相同的功能和标签，我们仍然可以区分两朵云，但是它们又粘在一起了。

问题：

1-两点云粘在一起的事实是否会影响训练和测试阶段的％准确性？

2-当我们除去红色和蓝色时，不知何故只有一个大云。有没有办法解决两朵云“卡在一起”的问题？

Answer 1

您所说的粘在一起意味着在此空间中数据不可线性分离。它似乎也不是非线性可分离的。我希望有了这些组件，您肯定会获得较差的准确性。

解决问题的方法是使用更多或不同的数据。您有一些选择。

1）包含更多主要组件该怎么办？也许4、5、10个组件可以解决您的问题。根据您的数据集，这可能不起作用，但这是最先尝试的事情。

2）您可以尝试其他矩阵分解技术。 PCA不是唯一的一个。有NMF，内核PCA，LSA等。哪种方法最适合您，将基本上取决于数据的分布。

3）使用任何其他类型的功能选择。坦率地说，一开始不是96。您打算进行深度学习吗？您通常不会将所有96个功能都放入深度学习模型中吗？如果需要，除了矩阵分解外，还有许多其他方法可以进行特征选择。

祝你好运。