機器學習之LDA降維
1. PCA缺點 在上篇介紹PCA的文章中有一句話是: PCA是一種能夠極大提升無監督特徵學習速度的數據降維算法 這裏很明顯的說明,PCA適用於非監督學習的數據降維,顯而易見,在進行數據降維的時候,我們並沒有考慮數據的類別信息,僅僅是針對數據的特徵來進行學習.當已知數據的類別時,在某些情況下,PCA的效果將會非常差.例如: 如上圖所示,如果使用PCA進行降維,將會映射到Y軸上(接近Y軸,實際的基爲
相關文章
- 1. 機器學習降維之LDA
- 2. 機器學習：數據降維：PCA 、LDA
- 3. 機器學習之降維
- 4. 機器學習之降維方法：PCA和LDA的區別
- 5. 機器學習降維之線性判別模型(LDA)
- 6. 機器學習降維算法二：LDA（Linear Discriminant Analysis）
- 7. 【機器學習】降維方法(二)----線性判別分析(LDA)
- 8. 四大機器學習降維算法：PCA、LDA、LLE、Laplacian Eigenmaps
- 9. 機器學習（十）數據降維（PCA與LDA）
- 10. 機器學習-LDA(線性判別)降維算法
- 更多相關文章...
- • 您已經學習了 XML Schema，下一步學習什麼呢？ - XML Schema 教程
- • 我們已經學習了 SQL，下一步學習什麼呢？ - SQL 教程
- • Tomcat學習筆記（史上最全tomcat學習筆記）
- • 適用於PHP初學者的學習線路和建議
相關標籤/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
歡迎關注本站公眾號,獲取更多信息
