举例说明维度的高低会影响数据的预测：
二维空间中随机两点的平均距离为0.52，三维空间中随机两点的平均距离为0.66，100万维的空间中随机两点的平均距离维408.25
也就意味着无限大的高维空间是非常稀疏的，非常容易过拟合，所以预测是极不稳定的，因此我们有降维的需求。
当然，我们应该明白，不是所有的数据都一定需要降维，有些在高维空间反而更加容易区分。例如，瑞士卷，X=5左边1类，右边2类。
PCA 投影，高维空间的低维子空间。保留差异性最大的轴。利用SVD分解。 包括SVD，随机PCA
LLE 流型学习（瑞士卷），可以展开为二维空间。
标签：实战,机器,维空间,SVD,降维,随机,两点,PCA 来源： https://www.cnblogs.com/irisinsnow/p/15365529.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。