下列属于特征降维的方法有( )。
A: PCA
B: LDA
C: One-Hot
D: Code-Decode
A: PCA
B: LDA
C: One-Hot
D: Code-Decode
A,B
举一反三
- 下列属于特征降维的方法有()。 A: Code-Decode B: PCA C: LDA D: One-Hot
- LDA降维和PCA降维的不同之处包括( )。 A: LDA降维最多降到k-1维,而PCA没有这个限制 B: LDA除了可以用于降维,还可以用于分类 C: LDA选择分类性能最好的投影方向,而PCA选择样本点投影具有最大方差的方向 D: 两者在降维时特征分解的思想不同 E: LDA是有监督的降维方法,而PCA是无监督的降维方法
- 关于特征降维方法有线性判别分析(LDA)和主成分分析法(PCA),错误的是 A: LDA和PCA的共同点是,都可以将原始的样本映射到维度更低的样本空间 B: LDA是为了让映射后的样本有最好的分类性能。即LDA是一种有监督的降维方法 C: PCA是为了让映射后的样本具有最大的发散性,即PCA是一种无监督的降维方法 D: LDA和PCA都是有监督的降维方法
- 下列属于线性的降维方法有( ) A: PCA B: LDA C: 局部线性嵌套(LLE) D: 非负矩阵分解(NMF)
- 下列可以用于特征降维的方法有( )。 A: 主成分分析 PCA B: 线性判别分析 LDA C: 深度学习 SparseAutoEncoder D: 矩阵奇异值分解 SVD
内容
- 0
中国大学MOOC: 关于特征降维方法有线性判别分析(LDA)和主成分分析法(PCA),错误的是
- 1
以下不是数据降维方法的是() A: PCA B: LDA C: LPP D: AHP
- 2
下列关于PCA和LDA的描述正确是( )。 A: PCA和LDA都可对高维数据进行降维 B: PCA可以保留类的信息 C: LDA可以保留类的信息 D: PCA一般选择方差大的方向进行投影
- 3
下列哪些方法可以用于特征降维的?() A: 主成分分析PCA B: 线性判别分析LDA C: AutoEncoder D: 矩阵奇异值分解SVD E: 最小二乘法LeastSquares
- 4
LDA(线性区别分析)与PCA(主成分分析)均是降维的方法,下面描述不正确的是( ) A: PCA对高维数据降维后的维数是与原始数据特征维度相关(与数据类别标签无关) B: LDA降维后所得到维度是与数据样本的类别个数K有关(与数据本身维度无关) C: 假设原始数据一共有K个类别,那么LDA所得数据的降维维度小于或等于K−1 D: PCA和LDA均是基于监督学习的降维方法