LDA線性判別分析
問題 之前我們討論的 PCA降維，對樣本數據來言，可以是沒有類別標籤 y 的。如果我們做迴歸時，如果特徵太多，那麼會產生不相關特徵引入、過度擬合等問題。我們可以使用PCA 來降維，但 PCA 沒有將類別標籤考慮進去，屬於無監督的。 假設我們對一張 100*100 像素的圖片做人臉識別， 每個像素是一個特徵，那麼會有 10000 個特徵，而對應的類別標籤 y 僅僅是 0/1 值， 1 代表是人臉。
相關文章
- 1. 線性判別分析LDA
- 2. LDA線性判別分析
- 3. LDA(線性判別分析)
- 4. 線性判別分析(LDA)
- 5. LDA 線性判別分析
- 6. 線性判別分析（LDA）
- 7. LDA——線性判別分析
- 8. 線性判別分析【LDA】
- 9. 線性分類判別LDA
- 10. LDA（線性判別分析，Linear Discriminant Analysis）
- 更多相關文章...
- • SVG 漸變 - 線性 - SVG 教程
- • C# 多線程 - C#教程
- • 互聯網組織的未來：剖析GitHub員工的任性之源
- • JDK13 GA發佈：5大特性解讀
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
相關文章
- 1. 線性判別分析LDA
- 2. LDA線性判別分析
- 3. LDA(線性判別分析)
- 4. 線性判別分析(LDA)
- 5. LDA 線性判別分析
- 6. 線性判別分析（LDA）
- 7. LDA——線性判別分析
- 8. 線性判別分析【LDA】
- 9. 線性分類判別LDA
- 10. LDA（線性判別分析，Linear Discriminant Analysis）