很多机器学习算法的复杂度和数据的维数有着密切关系，甚至与维数呈指数级关联，因此数据降维是数据挖掘绕不开的步骤。降维一般可能会导致信息的丢失，不过鉴于实际数据本身常常存在的相关性，我们可以想办法在降维的同时将信息的损失尽量降低。一般使用两种方法：1.特征选择是

在我的研究生统计理论课上使用的教科书开头，作者（乔治卡塞拉和罗杰伯格）在序言中解释了他们为什么选择写教科书："当有人发现您正在写教科书时，将提出两个问题中的一个或两个。 第一个是"为什么要写书？"，第二个是"您的书与书本有何不同？"第一个问题很容易回答。 您之所

尔云间 一个专门做科研的团队云生信学生物信息学 关注我们以下文章来源于A科研显微镜 ，作者eryunPCAPrincipal component analysis在拿到测序公司给的生信分析报告的时候，我们可能会看到一张主成分分析（principal component analysis，PCA）图。也许你在结果解读的时候不知

无监督学习是一组统计工具，用于只有一组特征而没有目标的情景。因此，我们无法进行预测，因为每个观察都没有相关的响应。我们感兴趣的是找到一种有趣的方法来可视化数据或发现类似观察的子组。无监督学习往往更具挑战性，因为分析没有明确的目标，而且往往是主观的。此外，很

PCA主成分分析总述主成分分析（Principal Component Analysis，PCA）是一种多变量统计方法，它是最常用的降维方法之一，通过正交变换将一组可能存在相关性的变量数据转换为一组线性不相关的变量，转换后的变量被称为主成分。PCA主要用于发现数据中的基本结构，及数据中变量之