概述

我們很希望有足夠多的特征（知識）來保準學習模型的訓練效果，尤其在圖像處理這類的任務中，高維特征是在所難免的，但是，高維的特征也有幾個如下不好的地方：

學習性能下降，知識越多，吸收知識（輸入），并且精通知識（學習）的速度就越慢。

過多的特征難于分辨，你很難第一時間認識某個特征代表的意義。

特征冗余，如下圖所示，厘米和英尺就是一對冗余特征，他們本身代表的意義是一樣的，并且能夠相互轉換。

我們使用現在使用了一條綠色直線，將各個樣本投影到該直線，那么，原來二維的特征 $x$ = (厘米，英尺) 就被降低為了一維 $x$ = (直線上的相對位置)

而在下面的例子中，我們又將三維特征投影到二位平面，從而將三維特征降到了二維：

綜上，不難發現，特征降維的一般手段就是將高維特征投影到低維空間。

總結

以上是生活随笔為你收集整理的7.1 概述-机器学习笔记-斯坦福吴恩达教授的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。