基于特征學習的高維數據處理與預測.pdf

1、進入二十一世紀以來，隨著計算機技術的發(fā)展，商業(yè)應用等領域每天都產生大量的數據，除了數量巨大之外，數據的維度也爆炸式增長。高維數據在實際應用中越來越普遍，其重要性也越來越高，因此，我們對高維數據進行分析與挖掘有非常重要的實際意義。不管工業(yè)界還是學術界都興起了對高維數據的分析與挖掘的熱潮。傳統(tǒng)機器學習方法應對高維數據時面臨巨大困難，很多能將低維數據優(yōu)異分類的算法在面對高維數據時很難達到預期。因此，高維數據對傳統(tǒng)的機器學習方法是巨大挑戰(zhàn)也是新

2、的機遇。
　　如何將低維空間展現高維數據，并且挖掘高維數據內部結構是一項重要環(huán)節(jié)。降維作為克服“維數災難”的重要手段，本文對特征降維展開了深入探討。降維主要有兩種手段，特征選擇和特征提取。特征選擇與特征提取的本質區(qū)別在于，特征選擇的結果是原有特征空間的真子集，而特征提取會產生諸如原有特征線性組合的新特征。在實際應用中，特征選擇相對更容易實現，應用的也更多一些。
　　對于高維數據研究的主要熱點集中在有監(jiān)督分類上。高維數據分類有