有人看到过减少数据量以减少计算量的任何方法吗？我的意思是，当功能数量巨大时，可以应用PCA来减少尺寸和计算量。如果我们有少量功能却有大量数据点（时间序列）怎么办？ 如何减少这种情况？
答案 0 :(得分：0)
二次采样非常普遍。
对子样本进行抽样时，许多统计属性会得到很好的保留。如果您有1000000点，那么仅10000的估计均值已经非常接近；也许在您数据的可靠性之内。
另一种方法是使用简单快速的方法（例如k-means）和大k（例如sqrt（N））进行聚类。这将使用k个数据点以最小二乘目标近似您的数据。 （之后，您还应该使用 weights ，因为生成的向量将反映不同数量的数据。）
最后但并非最不重要的是，可以在转置矩阵上使用许多归约技术（可能包括PCA）。然后，您减少实例数，而不是变量数。但是PCA相当昂贵，在转置矩阵上，它将缩放O（n³）。因此，我宁愿考虑直接使用截断的SVD。
但是显然您的数据是时间序列。我建议您寻求减少数据量的方法，以整合您对此处重要内容的了解。