降维

之前只听过降维，搜索了一篇博客，感觉后面自己用的时候再细查会好一些。

总结：

1. 缺失值比率：如果数据集的缺失值太多，我们可以用这种方法减少变量数。
2. 低方差滤波：这个方法可以从数据集中识别和删除常量变量，方差小的变量对目标变量影响不大，所以可以放心删去。
3. 高相关滤波：具有高相关性的一对变量会增加数据集中的多重共线性，所以用这种方法删去其中一个是有必要的。
4. 随机森林：这是最常用的降维方法之一，它会明确算出数据集中每个特征的重要性。
5. 前向特征选择和反向特征消除：这两种方法耗时较久，计算成本也都很高，所以只适用于输入变量较少的数据集。
6. 因子分析：这种方法适合数据集中存在高度相关的变量集的情况。
7. PCA：这是处理线性数据最广泛使用的技术之一。
8. ICA：我们可以用ICA将数据转换为独立的分量，使用更少的分量来描述数据。
9. ISOMAP：适合非线性数据处理。
10. t-SNE：也适合非线性数据处理，相较上一种方法，这种方法的可视化更直接。
11. UMAP：适用于高维数据，与t-SNE相比，这种方法速度更快。

参考

降维

• 点赞
• 收藏
• 分享
• 文章举报