※ 引述《question18 (晡)》之铭言： : 请问一下 : 学长说我的特徵太多，所以要使用PCA(principle analysis)降低feature dimension : 将100多个feature降低为10个factor : 可是降维之後 再去做datamining的classification研究 : 结果效果反而变差了 可是学长说 降低维度後的分类结果才有意义 : 可是 : 特徵太多分类结果更好 可是我又没有很充足的证据推翻旋长说的 : 特徵太多的分类结果是没意义的 一点浅见供参考 基本上对於分类问题来说 找到真正重要的分类特徵比较重要 如果能以最少的分类特徵数达到最好的分类效果当然是最好 所以如果说有100个分类特徵如果全部用下去也见得比只用50个较重要的变数好 所以也不能说学长说的是错的 降低特徵维度方法很多 是比较少听到用PCA的方法 因为一般来讲PCA将各变数作线性组合後很难有实质上的意义 除非资料本身的特性可容许这样做 要讲好处大概就是各维度之间是独立的 同样的若作因素分析多少也会遇到同样的问题 因此建议可从众多特徵变数当中挑出重要的变数来降低维度 看效果会不会比较好 -- 自古以来，弱肉强食，物竞天择，生死早就注定！ 『神醉梦迷之後，只知杀人的刀光！』 『死而生、生而死，此乃世间相生之道。』 但世间上，更有万物相生相克之道。 『单身前来，你将是万夫莫敌，或是无智莽夫呢？阎魔旱魃！』 『你知道吗？杀一名强者，比灭掉一个组织来的刺激！北辰元凰！哈哈哈~~』 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.136.133.110 ※ 编辑: skyclouder 来自: 140.136.133.110 (06/15 20:20)