一分鐘瞭解降維演算法

在機器學習中，隨著資料特徵的增加，需要更大的計算資源來訓練模型。這可能導致模型的訓練時間和記憶體消耗增加，甚至可能導致模型無法訓練或訓練結果不準確。

為此， 降維演算法 成為 機器學習領域中的一種重要技術，它可以將高維空間中的資料點對映到低維空間中。降維演算法可以幫助我們發現資料中的隱藏模式和結構，提高模型的效果和效能。

降維演算法主要分為線性降維和非線性降維兩種。

線性降維演算法中最有代表性的是主成分分析（PCA ），它的基本思想是將原有的 n 個特徵，投影到 k 維空間， k 維度空間之間兩兩正交稱為主成分，新的特徵由原特徵變換而來。在 python 中透過呼叫模組 sklearn ， PCA 演算法被封裝好，參考函式文件調參即可。 如圖示例，可以 透過將所有資料點近似到一條直線來實現降維。

非線性降維演算法中比較有代表性的是t-SNE 。 t-SNE 演算法的基本思想是：用 t 分佈取代 SNE 中的高斯分佈，使得降維後的資料，同類之間更加緊湊，不同類之間距離加大。換言之，對應於無監督聚類指標輪廓係數更好。

總的來說，降維演算法主要是透過減少資料集中的特徵數量，同時保留資料的主要結構或特徵，來進行資料分析和處理，從而簡化資料分析、視覺化和模型訓練的複雜度。

降維演算法的應用非常廣泛。在資料視覺化中，降維可以幫助我們將高維資料視覺化到二維或三維空間中，更好地理解資料的分佈和關係。在特徵選擇和特徵提取中，降維可以幫助我們選擇最有代表性的特徵，提高模型的泛化能力。在大規模資料處理中，降維可以減少計算和儲存的開銷，提高演算法的效率。

總之，降維演算法是機器學習中一項重要的技術，它可以幫助我們處理高維資料，發現資料中的模式和結構，提高模型的效果和效能。在實際的資料處理中，降維還可以幫助演算法執行速度更快，效果更好。