去除不相关的特征，可以降低学习任务的难度，只留下关键特征，往往可以更容易看清真相。从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。由于我们一般不会直接使用原始数据，所以就要进行特征选择；特征选择就是从多个特征中选择部分特

　　特征选择对于数据科学家、机器学习从业者来说非常重要。好的特征选择能够提升模型的性能，更能帮助我们理解数据的特点、底层结构，这对进一步改善模型、算法都有着重要作用。　　PCA是一种数学降维方法，利用正交变换把一系列可能线性相关的变量转换为一组线性不相关的

　　特点 : 通过对原始数据进行变换把数据变换到均值为0, 标准差为1的范围内.##对于归一化来说：如果出现异常点，影响了大值和小值，那么结果显然会发生改变 对于标准化来说：如果出现异常点，由于具有一定数据量，少量的异常点对于平均值的影响并不大，从 而方差

本文转自雷锋网，如需转载请至雷锋网官网申请授权。网上关于各种降维算法的资料参差不齐，同时大部分不提供源代码。所谓降维，即用一组个数为 d 的向量 Zi 来代表个数为 D 的向量 Xi 所包含的有用信息，其中 d. 通常，我们会发现大部分数据集的维度都会高达

主成分分析 是投影法的典型代表。投影法是指将高维的数据向低维投影，投影的方向可通过特征值分析等方法来确定。具体来说，假设我们有一个具有 \(n\) 维特征的数据集，共有 \(m\) 个样本点，我们希望这 \(m\) 个样本的特征维度从 \(n\) 降维到

第二篇的文章中谈到，和部门老大一宁出去outing的时候，他给了我相当多的机器学习的建议，里面涉及到很多的算法的意义、学习方法等等。一宁上次给我提到，如果学习分类算法，最好从线性的入手，线性分类器最简单的就是LDA，它可以看做是简化版的SVM，如果想理解S

可以说机器学习已经成为了改变时代的大事，一时间似乎人人都应该懂一点机器学习。但机器学习涉及到的数学知识和编程能力往往让没有相关经验的人望而却步。YupTechnologies 机器学习专家 Vishal Maini 近日在 Medium 上发布了一个介绍机

我们人类生活在三维空间中。所以我们的想象力自然局限于三维空间。但我们的机器学习数据集世界并非如此。在某些情况下，这个数字可能高达100万。这使得数据的训练非常缓慢，因此更难找到解决方案。此外，很难看到有很多维度的数据。因此，降维不仅有助于数据的可视化，而且

Ankit Gupta：数据科学家、IIIT Allahabad研究助理，热爱解决复杂的数据挖掘问题、了解更多关于数据科学和机器学习算法，目前致力于预测软件缺陷的项目。在处理现实生活中的问题时，数据科学家经常会遇到数百列及以上的数据集，并通过这些大型数据集

t-分布领域嵌入算法是目前一个非常流行的对高维度数据进行降维的算法, 由Laurens van der Maaten和 Geoffrey Hinton于2008年提出。这个算法已经在机器学习领域被广泛应用，因为它可以有效的将高维度数据转换成二维图像。虽然如

假设你有一个包含数百个特征（变量）的数据集，却对数据所属的领域几乎没有什么了解。你需要去识别数据中的隐藏模式，探索和分析数据集。不仅如此，你还必须找出数据中是否存在模式－－用以判定数据是有用信号还是噪音？但是，假如你能使用比PCA更先进的东西将会怎样呢？在

一维数据我们可以认为它是一个点，二维数据是一条线，三维数据是一个面，但四维数据我们就想象不到了，但这并不意味着不存在。AutoEncoder的原理如下图所示，自编码网络Autoencoder 简单来说就是将原有高维特征的数据x进行压缩成z，之后再进行解压为

机器学习模型拟合的输入数据往往是多维数据，这个维度可能会非常庞大。比如统计一篇文章中的单词频率，就可以把文章看成单词的向量。遇到维度灾难，我们一般都会使用降维算法来压缩数据量，以减少模型训练消耗的存储资源和计算资源。降维的作用就是消除这种冗余信息。一种比较

数据降维一般针对高维数据进行操作，但不是所有的高维数据都需要进行数据降维，一般我们判断是否需要进行降维可以参考以下几个标准：。降维的基本前提是高维，假如维度的数量不大，而且维度直接没有明显的共线性可以不进行降维处理。基于维度转换的降维是按照一定的数学变换方

人工智能从自诞生以来，理论和技术日益成熟，应用领域也不断扩大，金融领域也是将其改革的一大领域。谈到人工智能机器学习，大家最忌讳的便是黑箱问题，其实不必，理解机器学习算法，逻辑实则简单，比如相同的因子特征将会有相同的表现，以此简单的逻辑，我们实证中发现效果比