Machine learning 云标签影响%的测试精度？

我有96个特征，标签用1和-1表示，用于输入到深度学习模型

1-主成分分析 此处，3轴表示3个第一主分量。蓝色云表示标签1，红色云表示标签-1

即使我们能从视觉上识别出两种不同的云，它们也是粘在一起的。我认为我们在训练阶段可能会遇到这样的问题

2-t-SNE 对于具有t-SNE的相同特征和标签，我们仍然可以区分两个云，但它们仍然粘在一起

问题： 1-两个点云粘在一起的事实是否会影响培训和测试阶段的%准确性

---

2-当我们去掉红色和蓝色时，不知何故我们只有一朵大云。有没有办法解决两个云“粘在一起”的问题？

你所说的粘在一起，意味着在这个空间中，你的数据不是线性可分的。它似乎也不是非线性可分的。我希望通过这些组件，您肯定会得到较差的精度

解决问题的方法是使用更多或不同的数据。你有一些选择

1） 加入更多的主成分怎么样？也许，4、5、10个组件可以解决您的问题。根据您的数据集，这可能不起作用，但最明显的是先尝试一下

2） 您可以尝试其他矩阵分解技术。PCA不是唯一的一个。有NMF、内核PCA、LSA和许多其他。哪一种最适合您，从根本上说取决于您的数据分布

3） 使用任何其他类型的特征选择。坦白地说，96开始并不多。你打算做深度学习吗？通常情况下，您不会将所有96个功能都放入深度学习模型中吗？如果需要的话，除了矩阵分解之外，还有很多其他方法可以选择特征

---

祝你好运

我如何使用4、5或10个主成分，并且仍然有视觉效果？你已经超越了自己。在你担心视觉效果之前，你需要一个好的模型。还有更先进的可视化技术。但是即使只是基本的，也许你想象第2、4和5部分？也许这个组合看起来不错。仅仅因为你只能简单地看到3个组件，并不意味着它们必须是前三个组件。