一、维度：
1、对于数组和series来说，维度就是功能shape返回的结果，shape中返回了几个数字，就是几维。
2、维度指的是样本的数量或特征的数量，一般无特别说明，指的都是特征的数量。
3、对图像来说，维度就是图像中特征向量的个数，特征向量可以理解为坐标轴，一个特征向量代表一维。也就是说，三维及一下的特征矩阵是可以被可视化的，三维以上的则不能。
二、特征矩阵：
特征矩阵特指二维，一定有行列，一个特征是一维。若将特征矩阵用pandas的DataFrame表示，形式如下：
由上面的DataFrame可知，行数代表样本的个数，列数代表特征的个数，特征的个数往往比样本的个数少的多。
三、降维相关
1、降维算法中的降维，指的是降低特征矩阵中特征的数量。
2、sklearn中的降维算法都被包括在模块decomposition中，其本质是矩阵分解，即使特征矩阵的分解。
3、在高维数据中，必然有一些特征是不带有有效信息的（比如噪音），或者有一些特征带的信息和其他特征的信息是重复的（比如一些特征可能会线性相关），因此我们需要既能减少特征的数量，又能保留大部分有效信息，在PCA中，用方差来衡量有效信息的多少，如果一个特征的方差很小，则意味着这个特征上很有可能大量取值都相同（比如大部分都围绕着一个数），那这个特征的取值对样本来说就没有区分度，这种特征就不带有有效信息；相反，如果一个特征的方差很大，则说明这个特征带有大量的有效信息。
4、解释一下为什么特征的方差越小，带有的信息越小：在机器学习中，我认为衡量特征的好坏看的就是该特征与结果的相关性，即特征的取值变化要引起结果的变化，这样的特征才能说对结果有影响，才能分配权重，若一个特征的方差很小，即所有的值都很集中，那么无论这个特征取什么值，都不会对结果带来太大的影响，也就是说有或者没有这个特征，对最终的结果不会带来太大的影响。
四、sklearn中的降维算法
sklearn中的降维算法如下：（用的时候直接调用即可）
其中，主成分分析（PCA）、高级矩阵分解（LDA、NMF）最重要。
标签：方差,特征,个数,矩阵,降维,PCA,sklearn 来源： https://www.cnblogs.com/wdkblog/p/14180744.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。