Machine learning 用于添加新尺寸的特征提取

在特征提取的范围内是否有用于添加新尺寸的算法？ 可能这是一个一般性的问题，对我来说没有特殊的技术情况，确实我需要一个一般性的答案，也许有人可以介绍一些已知的特征提取算法，这些算法基本上用于在现有特征的基础上添加新的特征

---

提前谢谢。

当然有。一个简单的方法是添加特征正方形、三元组等：例如，对于特征

x1、x2、x3

，添加

x1^2、x2^2、x3^2、x1x2、x1x3、x2x3

。这就是你的意思吗？@IVlad，是的，但我想知道有没有什么算法可以基于熵或类似的东西，或者像PCA这样的用于降维的方法来自动实现这一点。顺便说一句，你提到的很有帮助。谢谢也许有什么，但我怀疑。通常你想减少特征的数量来帮助你的算法：PCA和其他方法用于降维，当你只需要更少的特征，但你没有办法真正知道哪个更重要时，特征选择（使用卡方检验和其他方法）用于词袋模型，神经网络在其早期层中提取更高层次的特征，并将其提供给下一层等。我知道的每一种（非玩具）方法都会导致更少的特征，而不是更多。除了@IVlad的评论，我想说，一般来说，任何模型组合都可以被视为“扩展维度”的一种方式。例如，可以从线性回归开始，然后对残差应用另一个线性回归（或任何其他模型），依此类推。