1樓：li Eta
子空間學習: 舉例說明，比如你拿到了一組資料要做分類任務，然而資料分布在乙個高維空間中，不太方便處理，維度太高導致採用的分類模型的複雜度也相應增高，最終導致分類模型容易過擬合。一般情況下，這個問題無法解決，但是，資料中往往存在一些特性使得這個問題又有了可以解決的希望，比如資料其實分布在高維空間的乙個子空間中，你拿到的高維資料其實是子空間中的無雜訊資料+高維雜訊資料，而這個子空間的維度其實不是很大，那麼找出這個子空間，就能保證盡量不丟失資訊又能降低資料維度，在這個子空間中做訓練，就可以降低過擬合現象。
常見的PCA LDA LLE 等都是基於spectral method(譜方法)的子空間學習方法，往往可以看做是kernel pca的特例。還有一類子空間學習方法是R. Vidal做的SSC(subspace clustering)系列，有相應的理論保證。
廣義上看，子空間學習就是降維。
2樓：芥末豬
A sub-field within machine learning that is based
on algorithms for learning multiple levels of representation in
order to model complex relationships among data. Higher-level
features and concepts are thus defined in terms of lower-level
ones, and such a hierarchy of features is called a deep architecture. Most of these models are based on unsupervised learning of
representations
3樓：Jason Gu
說說我理解的子空間學習。
子空間學習大意是指通過投影，實現高維特徵向低維空間的對映，是一種經典的降維思想。
例如人臉影象，如果每幅影象提取出來的特徵是1000維，則每幅影象對應著1000維空間中的乙個點。維數太高給計算帶來很多問題，且很多人認為真實有效的人臉影象特徵並沒有那麼高維，可能只有100維，即每幅人臉只是100維空間中的乙個點。將特徵從1000維壓縮到100維，就是子空間學習問題。
在模式識別中，可能絕大多數的維數約簡（降維，投影）演算法都算是子空間學習，如PCA, LDA, LPP, LLE等等。
子空間學習的主要問題，就是如何將特徵從高維空間壓縮到低維空間，需要保留什麼樣的資訊，設定什麼樣的準則，低維空間的特徵具有哪些特徵等問題。
機械人關節空間阻抗控制律是基於什麼樣的思想得到的？ 為什麼跟機械人關節PD控制的公式一樣？
桂凱 首選，阻抗控制中是改變外界環境接觸力 比如使用者施加的力 與系統位移間的比例關係。假定一系統的傳遞函式如下，這裡的F是使用者施加的外力，F X就是使用者感覺到的阻抗。當M,B,K的值都較小時，系統的阻抗較小，使用者很容易推動整個系統。接下來，在系統裡加個電機，並設計PD控制器 此時，系統為了保...
拓撲學中為什麼採用這樣的子空間拓撲的定？
wonderwind 那樣子空間的開集就會變少，甚至在極端情況下變得只剩下Y本身了。比如說在R 3 給予通常意義下的拓撲構成拓撲空間 當中，R 2是它的乙個子集，但不是開集。考慮R 2作為子空間並給予R 3的誘導拓撲。如果按照教材中的定義，那麼R 2的誘導拓撲洽為R 2在通常意義下的拓撲，恰到好處。...
機器學習中的模型到底是指什麼？
林高遠 舉乙個最簡化的例子 樣本集 A 類 1,3,4,5 樣本集 B 類 7,8,9 分類目標 大於 x 為 A類 小於 x 類為 B類 具體 x 可以等於任意實數，但不一定都能達成 100 正確分類目標。x 0，無法正確分類 x 10，無法正確分類 x 8，部分正確分類 x 4.5，部分正確分類...