PCA是丢失原始数据信息最少的一种线性降维方式。
举一反三
- PCA是一种线性降维方法
- 当数据集的原始维度和数据集内在的本征维度相同时，使用PCA进行降维，降维后的数据不会丢失重要的信息。
- LDA(线性区别分析)与PCA（主成分分析）均是降维的方法，下面描述不正确的是（ ） A: PCA对高维数据降维后的维数是与原始数据特征维度相关（与数据类别标签无关） B: LDA降维后所得到维度是与数据样本的类别个数K有关（与数据本身维度无关） C: 假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K−1 D: PCA和LDA均是基于监督学习的降维方法
- 掌握PCA的数据降维方法
- 关于特征降维方法有线性判别分析（LDA）和主成分分析法（PCA），错误的是 A: LDA和PCA的共同点是，都可以将原始的样本映射到维度更低的样本空间 B: LDA是为了让映射后的样本有最好的分类性能。即LDA是一种有监督的降维方法 C: PCA是为了让映射后的样本具有最大的发散性，即PCA是一种无监督的降维方法 D: LDA和PCA都是有监督的降维方法