用dimension reduction去查就很多了 你学长的说法应该是有道理的 特徵太多务必要把那些相似 没有分辨能力的特徵排除 参考ugly duckling theorem 虽然此类的技巧很多 但是有些方法在统计上很难有直觉的解释 比如manifold dimension reduction之类 试过SVD了吗 ※ 引述《question18 (晡)》之铭言： : ※ 引述《skyclouder (尘‧物换星移)》之铭言： : : 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: 123.193.83.130