本文已收录到：机器学习笔记 专题
- 机器学习的学习顺序、书籍和一些体会
- 朴素贝叶斯 – 根据男性特征分析女性是否嫁的问题
- 感知机 – 一种二分类线性分类模型，划分红豆和绿豆
- 逻辑斯谛回归 – 不那么生硬的划分红豆和绿豆
- 支持向量机：线性可分支持向量机与硬间隔最大化
- 支持向量机：线性可分支持向量机与软间隔最大化
- 利用集成方法提高基分类器分类性能
- 集成方法之Bagging装袋法：三个臭皮匠投票、少数服从多数
- 集成方法之Boosting提升方法：更像现实中实际学习的模型
- 决策树不仅可以做分类，还可以回归：回归树
- K-均值聚类算法，对无标签数据进行分组汇聚
- Apriori算法进行关联分析
- 使用FP-growth算法高效的挖掘海量数据中的频繁项集
- 维度是什么？数据降维方法，降维的用途
- 最广泛的降维算法：主成分分析（PCA）【原理讲解+代码】
- 人工神经网络（ANN）及BP算法原理
- 深度学习常用数据集、发展脉络和工具框架介绍
- 自编码器 – 经典的无监督学习神经网络、领会它的思想
- 卷积神经网络：卷积就是特征提取器，就是CBAPD
- 循环神经网络（RecurrentNN）：有记忆的神经网络
什么是维度？
一维度
- 数组中：形如 arr[5] = [1, 2, 3, 4, 5]。
- Series中：Series是一维数组，与Numpy中的一维array类似。
对于数组和Series来说，维度就是函数shape返回的结果，Series中函数shape中返回了几个数字，就是几维。
二维度：形如表
除外索引列，不分行列的叫一维（此时shape返回唯一的维度上的数据个数）；有行列之分叫二维（shape返回行x列），也称为表。
表可以理解为Excel中的表一样，它最多只能是2维。因为3维的表没有用——人的大脑无法想象，也无法编辑。所以表必须像实体表格一样，至多有2维。
多维度：由多张表组成
多张表：当一个数组中存在2张3行4列的表时，shape返回的是(2, 3, 4)。
当数组中存在2组2张3行4列的表时，数据就是4维，shape返回(2, 2, 3, 4)。
一张表的维度：由特征数量决定
针对表来说，表是一个特征矩阵或者是DataFrame。它的维度是是样本的数量或特征的数量（可以理解为特征矩阵中列数量），一般无特别说明，指的都是特征的数量。除了索引之外，一个特征是一维，两个特征是二维，n个特征是n维。
一个图像的维度：由特征向量的数量决定
对图像来说，维度就是图像中特征向量的数量（即坐标轴数量）。
对于人类而言，我们无法想象出、也无法看到三维以上的坐标系。所以只有3维以下的数据，我们才能可视化画出来。
降维算法中的”降维“，指的是降低特征矩阵中特征的数量。
目的有两个：
- 让算法运算更快，效果更好
- 数据可视化
如何降维？降维技术有哪些？
在降维技术中，PCA的应用是目前最为广泛的。在多元统计分析中，主成分分析（英语：Principal components analysis，PCA）是一种统计分析、简化数据集的方法。
后续会讲解奇异值分解SVD。
降低维度有哪些用途？
- 降低维度就是减少特征值。一个数据集中特征会有非常多，通过降低维度可以把关键特征提取，略去掉无效的特征，提高效率。
- 另一方面，有时候我们自己内部的数据有些字段、特征涉及到保密隐私，不方便公开出去可以经过降维后隐藏掉真实的意义，这样做也不会影响数据本身的价值，外界人士只要按照我们公开的特征建模即可，无需关心字段本身的含义。
