主成分分析与特征去除
Principal component analysis vs feature removal
我对机器学习还很陌生，刚刚接触到作为降维方法的主成分分析。我不明白的是，在什么情况下 PCA 比简单地从模型中删除一些特征更好？如果目的是获得低维数据，为什么我们不将那些相关的特征分组并保留每组中的一个特征？
feature reduction（比如PCA）和feature selection（你描述的）有根本的区别。关键区别在于特征缩减 (PCA) 通过 所有 原始维度的某种投影将您的数据映射到较低维度，例如 PCA 使用每个维度的线性组合。所以最终的数据嵌入具有来自所有特征的信息。如果你执行特征选择你丢弃信息，你完全丢失了那里存在的任何东西。此外，PCA 保证您保留给定的数据方差部分。
我对机器学习还很陌生，刚刚接触到作为降维方法的主成分分析。我不明白的是，在什么情况下 PCA 比简单地从模型中删除一些特征更好？如果目的是获得低维数据，为什么我们不将那些相关的特征分组并保留每组中的一个特征？
feature reduction（比如PCA）和feature selection（你描述的）有根本的区别。关键区别在于特征缩减 (PCA) 通过 所有 原始维度的某种投影将您的数据映射到较低维度，例如 PCA 使用每个维度的线性组合。所以最终的数据嵌入具有来自所有特征的信息。如果你执行特征选择你丢弃信息，你完全丢失了那里存在的任何东西。此外，PCA 保证您保留给定的数据方差部分。