当数据特征多的时候，我们可以用PCA降维，一般降到几维比较合适？
1个回答
- 如果是为了数据可视化，可以降到1维（线），2维（平面），或者3维（立体）。
- 如果是为了建立预测模型而降维，比较常用的方法是看多少个主成分解释了多少百分比的方差，常用的比如说99%,95%,90%。
- 另一个方法是Kaiser's Rule，保留所有奇异值大于1的
- 还有个类似elbow method的方法，画出主成分的个数和解释方差百分比的曲线，找出手肘的那个点。
batmanX
2017-06-06 11:13
相关主题
除了PCA，还有什么降维的方法？
11回答
PCA降维之前为什么要先标准化？
2回答
PCA的目标函数
1回答
PCA需要正态性作为提前假设吗？
0回答
为什么PCA被称作非监督式学习？
2回答
PCA降维中的特征值和特征向量
2回答
PCA会降低分类器的精度吗？
3回答
PCA和SVD是一回事吗？
1回答
sklearn.decomposition.PCA方法中fit, fit_transform, transform应该怎么用
1回答
在使用PCA降维时，有哪些坑？
6回答
我们谢绝在回答前讲“生动”的故事。
我们谢绝“这么简单，你自己想”、“书上有的，你认真看”这类的回答；如果你认为对方的提问方式或者内容不妥，你可以直接忽略该问题，不用进行任何作答，甚至可以对该问题投反对票。
我们谢绝答非所问。
我们谢绝自己不会、硬要回答。
我们感激每一个用户在编写答案时的努力与付出！