主成分变换和缨帽变换的异同 .pdfVIP

主成分变换和缨帽变换的异同

x

主成分变换和缨帽变换的异同

主成分变换(PrincipalComponentTransformation，PCA)和缨

帽变换(HoodTransformation)是数据降维的两种主要方法，可以用

于将多维数据降至更低的维数，常用于数据特征处理。

一、原理

1.主成分变换：PCA是一种统计分析方法，是一种任意投影方

法，其核心思想是通过把原来的K维数据变换到K维空间的K个新维

度上，以使新的K维数据能够代表原K维数据的大部分信息，并且新

维度上的每个分量是相互正交的，利用这一原理，PCA可以有效的减

少特征数量，剔除低方差及低相关的特征，也可以消除部分重复特征，

使特征矩阵变换到一组相互正交的新维度上，实现对多维数据的降维。

2.缨帽变换：缨帽变换也是一种降维变换方法，它的原理是将

数据的维度(特征数)减少至比原始数据所能描述的要求低的维度，并

且保留原始数据的任何相关性和结构，只要模型被训练得足够好，它

就可以把大量的特征压缩到更少的维度，从而提高模型的性能。

二、应用场景

1.主成分变换：PCA主要用于数据降维，以减少模型所需计算

量，增强模型的泛化能力，可用于数据可视化，去噪，异常值检测，

特征选择等。

2.缨帽变换：缨帽变换主要用于数据降维，与PCA不同，它更

-1-

侧重于特征作用的压缩，可以减少数据集中的特征数量，提高模型的

性能。

三、异同

1.原理上的异同：PCA是通过对原空间的基向量构建一组新的

基向量，使原空间转换为新空间，以降低数据维度；而缨帽变换则是

通过压缩数据的特征数量，减少模型所需计算量，在模型性能损失最

小的情况下将数据降至更低的维度。

2.应用场景上的异同：PCA主要用于减少计算量，异常值检测，

数据可视化等；而缨帽变换则主要用于特征选择，特征压缩，数据压

缩等。

-2-