本文主要是介绍机器学习实战 --- 利用PCA简化数据，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
降维技术
— 场景：
-
我们正在通过电视观看体育比赛，在电视的显示器上有一个球。
-
显示器大概包含100W个像素点，而球则可能是由较少的像素点组成，例如说一千个像素点。
-
人们在实时的将显示器上的百万像素转化成为一个三维图形，该图像就给出运动场上球的位置。
-
在这个过程中，人们已经将百万像素点的数据，降维到三维。这个过程就称为降维（dimensionality reduction）
— 数据显示并非大规模特征下的唯一难题，对数据进行简化还有如下一系列的原因：
-
使得数据更容易使用
-
降低很多算法的计算开销
-
去除噪音
-
使得结果更易懂
— 适用范围：
-
在已标注与未标注的数据上都有降维技术
-
这里我们将关注未标注数据上的降维技术，将技术同样也可以应用于已标注的数据
— 以下3种降维技术中，PCA的应用目前最为广泛。
-
主成分分析（Principal Component Analysis, PCA）
-
-
通俗理解：就是找出一个最重要的特征，然后进行分析。
-
例如：考察一个人的智力情况，就直接看数学成绩就行（存在：数学、语文、英语成绩）
-
-
因子分析（
这篇关于机器学习实战 --- 利用PCA简化数据的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
