机器学习进阶扩展内容
PCA 与聚类解释
PCA 寻找方差最大的正交方向，常用于压缩和观察聚类结构。
前置知识
通俗直觉
把高维数据投影到最能保留变化的几条轴上，方便观察但不保证类别分得最好。
核心原理
第一主成分使投影方差最大，后续主成分与之前方向正交；聚类编号本身没有类别语义。
数学公式
第一主成分是在单位方向中投影方差最大的方向。
工作流程
- 1
明确输入、输出与评价方式
- 2
建立简单基线
- 3
实现并检查关键中间量
- 4
在验证数据上诊断和迭代
代码示例
PCA 与聚类解释 示例
Python
example.py用途：先标准化再做 PCA，避免大尺度特征主导方差方向。
from sklearn.decomposition import PCA
from sklearn.preprocessing import StandardScaler
X_scaled = StandardScaler().fit_transform(X)
X_2d = PCA(n_components=2).fit_transform(X_scaled)
print(X_2d.shape)代码解析
先标准化再做 PCA，避免大尺度特征主导方差方向。
- — 先检查数据和张量形状
- — 把会学习参数的步骤限制在训练数据内
应用场景
- 建立可靠训练流程
- 诊断模型行为
常见误区
只记接口而不检查数据边界
只看单次分数而忽略泛化
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。