※ 引述《skyclouder (尘‧物换星移)》之铭言： : ※ 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 '请问除了PCA以外，还有没有别的方法是用来降低维度的较好方法呢? 目前是使用feature selection algorithm来选features。 但是我目前实验的结果都是特徵删越多效果越差 不过学长坚持特徵太多是没有意义的 : 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 --

※ 发信站: 批踢踢实业坊(ptt.cc) ◆ From: 140.116.243.66