Python PCA与朴素贝叶斯分类器

我正在Python中试验PCA和朴素贝叶斯分类器

简而言之，使用一个数字灰度图像数据库，我用PCA降维，然后用朴素贝叶斯分类

我分别使用2,4,10,30,60200500784个组件。 我得到的分类错误率分别是：

---

0.258064452、0.15322581、0.06290323、0.06451613、0.06451613、0.10322581、0.28064516和0.31774194。我认为采用更多的成分总是可以提高分类的准确性。这是真的吗？如果是这样，那我就做错了

我不认为你的问题有一个单一的有效答案，但是降低你输入的维度可以防止过度拟合。更多的功能并不总是使分类器更准确。你可以在这里找到详细的解释：

我认为你的问题没有一个单一的有效答案，但是降低输入的维度可以防止过度拟合。更多的功能并不总是使分类器更准确。您可以在此处查看详细解释：

减少尺寸确实可以减少过度拟合，但如果不向数据集添加其他数据，则始终存在最佳组件数，从而提供最佳精度。在您的例子中，它是10，因为它给出的错误率最小，为

0.06290323

。因此，如果要增加维度，还应该增加用于训练的数据集，以期望更高的准确性。否则，您应该尝试靠近它以获得更高的准确性

此外，如果您的数据集是平衡的，那么

准确性

可能是评估您绩效的一个很好的衡量标准。如果数据集不平衡，请尝试，或

---

如果仍然对分类器不满意，请使用其他分类算法。

减少维度确实可以减少过度拟合，但始终存在最佳组件数，如果不向数据集添加其他数据，则可以获得最佳精度。在您的例子中，它是10，因为它给出的错误率最小，为

0.06290323

。因此，如果要增加维度，还应该增加用于训练的数据集，以期望更高的准确性。否则，您应该尝试靠近它以获得更高的准确性

此外，如果您的数据集是平衡的，那么

准确性

可能是评估您绩效的一个很好的衡量标准。如果数据集不平衡，请尝试，或

如果仍然对分类器不满意，请使用其他分类算法