在不应用 PCA 的情况下使用特征
Using features without applying PCA
假设数据集中有8个特征。我使用 PCA 发现 99% 的信息在前 3 个特征中，使用解释方差比的累积和。
那么为什么我需要使用 PCA 来拟合和转换这 3 个特征，以便将它们用于训练我的神经网络？为什么我不能直接使用这三个功能？
原因是当PCA告诉你99%的方差由前三个分量解释时，并不意味着它由前三个解释特征。 PCA 分量是特征的线性组合，但它们通常不是特征本身。例如，PCA 组件必须相互正交，而特征则不必如此。
假设数据集中有8个特征。我使用 PCA 发现 99% 的信息在前 3 个特征中，使用解释方差比的累积和。 那么为什么我需要使用 PCA 来拟合和转换这 3 个特征，以便将它们用于训练我的神经网络？为什么我不能直接使用这三个功能？
原因是当PCA告诉你99%的方差由前三个分量解释时，并不意味着它由前三个解释特征。 PCA 分量是特征的线性组合，但它们通常不是特征本身。例如，PCA 组件必须相互正交，而特征则不必如此。