我正在使用基于神经网络的分类器对我的数据进行 n 维分类。
然后我认为首先对我的数据运行像PCA这样的降维可能是一个好主意，然后将PCA结果放入分类器（我保留3个PC）。但是，降维特征的分类不如直接使用原始的高维特征。
然后我发现这篇文章 NN as a DR1 讨论了神经网络作为一种降维方法。在本文中还可以找到一些信息 NN as a DR2 我现在很困惑：
原则上，PCA 执行的线性变换也可以由神经网络的输入层权重执行，因此严格来说没有必要。然而，随着网络中权重数量的增加，能够可靠地确定网络权重所需的数据量也会增加（通常非常迅速），并且过度拟合成为一个更大的问题（因此使用正则化是也是个好主意）。降维的好处是它减少了网络的大小，从而减少了训练它所需的数据量。使用 PCA 的缺点是区分一个类与另一个类的判别信息可能在低方差分量中，因此使用 PCA 会使性能变差。
就像统计模式识别中的大多数事情一样，没有一种方法可以可靠地解决所有问题，最好的办法是尝试两种方法，看看哪种方法效果最好。
如果我使用基于神经网络的分类（在 Matlab 中），它会自动为我进行降维吗？答：如果您使用多个层进行分类，并且隐藏层中的神经元数量少于输入神经元，那么您就有一种降维神经网络。
但它可能不是 PCA。
由于神经网络可以通过学习逼近任何非线性映射，并且不受非线性模型的约束，因此不需要像 PCA 那样提前降维。这也说明人工神经网络（ANN）具有很强的非线性计算能力。