Machine learning 使用特征而不应用PCA_Machine Learning_Neural Network_Pca_Cross Validation_Dimension Reduction

Machine learning 使用特征而不应用PCA

machine-learning neural-network

Machine learning 使用特征而不应用PCA,machine-learning,neural-network,pca,cross-validation,dimension-reduction,Machine Learning,Neural Network,Pca,Cross Validation,Dimension Reduction,假设数据集中有8个特征。我使用主成分分析（PCA），通过解释方差比的累积和，发现前3个特征中有99%的信息。那么为什么我需要使用PCA来拟合和转换这3个特征，以便使用它们来训练我的神经网络呢？为什么我不能按原样使用这三个特征？原因是，当主成分分析告诉你99%的方差是由前三个成分解释的，这并不意味着它是由前三个特征解释的。PCA组件是特征的线性组合，但它们通常不是特征本身。例如，PCA组件必须相互正交，而特征不必相互正交

假设数据集中有8个特征。我使用主成分分析（PCA），通过解释方差比的累积和，发现前3个特征中有99%的信息。

那么为什么我需要使用PCA来拟合和转换这3个特征，以便使用它们来训练我的神经网络呢？为什么我不能按原样使用这三个特征？

原因是，当主成分分析告诉你99%的方差是由前三个成分解释的，这并不意味着它是由前三个特征解释的。PCA组件是特征的线性组合，但它们通常不是特征本身。例如，PCA组件必须相互正交，而特征不必相互正交