我经常在一个著名的数据科学竞赛平台上看到，很多人应用了一些降维技术，但他们没有使用它来减少模型的特征数量（复杂性），而是将结果特征附加到他们的数据集中。这不是给他们的模型增加复杂性而不是简化它吗？
为什么有些人将 PCA 和其他降维技术的结果添加为特征
数据挖掘
集成建模
2022-01-26 09:41:52
1个回答
这是特征工程。你只是从另一个角度让算法重新审视数据。当您有不同的观点时，它通常有助于更好地理解数据。
例如，假设您想通过简单的 ML 模型学习美国道路方向。你给他从道路 1 到 100 映射到 0（如果道路是东西向）或 1（道路是南北向）的所有示例，除了数字 47。然后你让模型预测 47，它会回答 0，因为在 46 到 48 之间被标记为 0。
现在，如果你给模型另一个角度（这里是道路编号的奇偶性），那么它显然会有效地学习道路方向。
您可以将 PCA 的结果视为奇偶校验，只是数据的另一种视图以便更好地理解它。