1樓：唐申庚
我對資料探勘了解的也不多，單就對機器學習方面的認識來說，資料探勘任務中的降維主要針對的是降低特徵維度，而非降低樣本數量，不然就沒有意義了。為了降維，一般有兩種顯而易見的做法，一是特徵選擇，二是特徵嵌入。
相對來說，特徵選擇在資料探勘任務中使用更加簡單普遍一些，相當於是一種下取樣。特徵選擇其實就是在所有特徵資料中選擇出乙個或多個特徵子集，這些特徵應該是盡可能的有效服務於分類或者聚類等任務。特徵選擇一方面可以降低緯度，減小計算量；另一方面還可以篩選出有效特徵，避免大量冗餘資訊帶來的負面影響。
特徵嵌入是將資料轉換為固定大小的特徵表示，以便於處理和計算。特徵嵌入時，可以將高維資料對映到低維空間，在降低維度的同時，可以盡可能的多保留原有資訊，這一點與簡單粗暴的特徵選擇來說，可以說人性化的多；當然顯而易見地，這個過程也位元也選擇複雜一些。
2樓：悟冥
blog.csdn.net/abcjennifer/article/details/8002329機器學習之特徵工程-降維
各類降維方法總結
3樓：Jimmy
資料降維、特徵降維
資料不需要大，足夠就好了
特徵不需要多，好用就好了
訓練模型時，本人一般先用較大的資料量訓練乙個baseline模型通過觀察學習曲線可以得到模型大概需要多少資料至於特徵，特徵選擇了解一下
資料探勘模型優化中，Precision，Recall，F值這三個指標應該優先優化哪個？
霸天虎 和場景無關，意味從本質來分析。P和R都很高，是非常正常的，因為這與資料分布有關。此時,F值接近 1 1 a平方 2,不是越大越好。 如果 class balanced 的話，可以選擇優化F值 如果 class imbalance,看 positive 的資料量，如果資料量大的考慮用 prec...
資料分析如何轉資料探勘？
位元組Funk飛 資料分析如何轉資料探勘？雖然這二者都是直接根據接觸的職業，但是對於資料的處理和跟資料的關係還是有著很大的去唄的，資料分析師針對已有的資料進行不同的模型構建然後分析，將有價值的東西提取出來，但是資料探勘呢，只是單純的資料探勘，是一種資料收集和提取的過程 我之前也是資料分析，感覺沒什麼...
如何系統地學習資料探勘？
冰糖葫蘆 找Stanford cmu cornell upenn uiuc gatech等等這些有煙火氣的世界頂尖高校的Data science的培養計畫和課程說明，綜合一下你的想法，學就行了。可以去上學，也可以coursera 有TA 可以YouTube ocw上學等等。皇天不負有心人。 jona...