如何处理维度灾难？

巧克力加薪 2022-05-05 15:11:41

如何处理维度灾难？ 

...全文
2031 1 打赏 收藏 转发到动态 举报
AI 作业
写回复
用AI写文章
1 条回复
切换为时间正序
请发表友善的回复…
发表回复
weixin_38498942 2022-05-05
  • 打赏
  • 举报
 回复

利用启发式方法（例如贪心算法、best-first方法等）来定位最佳的特征组合和数量，或者利用深度学习自编码器解决维度过大的问题，利用交叉验证方法避免过拟合。

深度学习word2vec学习笔记pdf版.pdf
深度学习word2vec学习笔记pdf版，方便各位在各个平台上查看，是word文档直接转的
维度灾难是机器学习中处理高维数据时不可忽视的难题
机器学习中的维度灾难维度灾难(Curse of Dimensionality)是机器学习和数据分析中的一个核心问题，特别是在处理高维数据时。它描述了随着数据维度的增加，许多算法的性能会显著下降，同时数据分析和可视化变得更加复杂。下面是对维度灾难的详细解释及其在机器学习中的影响和应对方法。什么是维度灾难？维度灾难指的是当数据...
如何正确理解维度灾难
一、前言   博主最近在学习机器学习的PCA降维算法的时候，对于维度灾难和特征稀疏有了新的认识。这篇文章主要讲解什么是维度灾难，并从几何的角度来对其进行形象的解释。 二、维度灾难的概念   维度灾难(Curse of Dimensionality)，什么是维度呢？在机器学习的表示中,我们常常用XXX表示数据集,xix_{i}xi​表示其中的一个样本，xi(j)x_{i}^{(j)}xi(j)​表示第i个样本汇总的第j个特征。==样本的特征个数也就是维度。==而维度灾难就是说，我们在训练样本的时候，在样本数目
维度灾难&&bias和variance
维度灾难 维度增多主要会带来高维空间数据稀疏化问题， 也就是说，数据会更加的分散，因而就需要更大的数据量才能获得较好的bias和variance，达到较好的预测效果。 此处，最典型的是对于KNN的预测。 更详细的见：怎样理解"curse of dimensionality"， 另一方面看，当维度增加时，也可能导致过拟合现象：训练集上表现好，但是对新数据缺乏泛化能力。高维空间训练形成的分类...
维度灾难6问？
1.特征越多，分类效果越好？ 事实证明，特征数量达到某一个阈值时，分类效果会越来越低。 -----引出维度灾难 2.维度灾难造成的直接后果？ 过拟合。 3.为什么会造成过拟合？ 往往，较少的特征不足以很好拟合本身的数据（不能达到很好的分类效果），所以想要增加特征。 但是，随着特征维度的增加，训练样本在特征空间的密度会呈指数型下降，整个特征空间维度增加会变得越来越稀疏。由于稀疏性，...
高通开发者论坛

2,853

社区成员

5,758

社区内容

发帖
与我相关
我的任务
社区描述
本论坛以AI、WoS 、XR、IoT、Auto、生成式AI等核心板块组成，为开发者提供便捷及高效的学习和交流平台。 高通开发者专区主页：https://qualcomm.csdn.net/
人工智能物联网机器学习 技术论坛（原bbs） 北京·东城区
社区管理员
  • csdnsqst0050
  • chipseeker
加入社区
  • 近7日
  • 近30日
  • 至今

加载中

查看更多榜单
社区公告
暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章