下列方法中，可以用于特征降维的方法包括（ ）
A: 矩阵奇异值分解SVD
B: 主成分分析PCA
C: 线性判别分析LDA
D: 深度学习SparseAutoEncoder
E: 最小二乘法LeastSquares
A: 矩阵奇异值分解SVD
B: 主成分分析PCA
C: 线性判别分析LDA
D: 深度学习SparseAutoEncoder
E: 最小二乘法LeastSquares
A,B,C,D
举一反三
- 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
- 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
- 下列方法中，可以用于特征降维的方法包括 A: 主成分分析 B: 线性判别分析 C: 自编码器 D: 矩阵奇异值分解
- 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
- 中国大学MOOC: 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（ ）
内容
- 0
在降维技术方面，LDA的中文含义是（ ）。 A: 线性判别方法 B: 数据压缩技术 C: 特征选择技术 D: 主成分分析
- 1
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)
- 2
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
- 3
主成分分析法PCA是一种典型的（ ）方法。 A: 特征选择 B: 特征降维 C: 线性判别 D: 特征包装
- 4
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