机器学习与应用 课件 第12章 降维.pptx

第12章降维机器学习核心技术解析

本章内容概览维数灾难高维世界的核心挑战当数据维度不断增加时，样本在空间中变得极度稀疏，导致计算复杂度呈指数级上升，模型难以捕捉有效规律，这是高维数据处理必须跨越的第一道难关。主成分分析(PCA)无监督降维的经典基石通过正交变换将高维数据映射到低维子空间，在最大程度保留原始数据方差信息的同时去除冗余，是数据预处理中最常用的无监督特征提取方法。奇异值分解(SVD)矩阵视角的降维利器将任意矩阵分解为三个特殊矩阵的乘积，不仅是PCA的数学理论基础，更能高效处理稀疏数据和缺失值，是推荐系统与图像压缩领域的核心算法。线性判别分析(LDA)有监督的降维之道引入