【相关推荐】
- 这个问题的回答你可以参考下: https://ask.csdn.net/questions/7575425
- 这篇博客你也可以参考下：对两种传感器的栅格数据进行逐像元回归分析，得到的每个像元的转换方程，去处理待校正的栅格图像
- 您还可以看一下 刘建萍老师的人工智能系列课程零基础讲解知识点和实例应用线性回归梯度下降逻辑回归课程中的 讲解机器学中会涉及到的有关数学方面的知识储备有哪些小节, 巩固相关知识点
- 除此之外, 这篇博客: 模式识别期末复习【湘潭大学】中的 什么叫特征提取？什么是特征选择？广义上的特征提取器如何表达? 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
特征提取：
原始特征的数量可能很大，或者说样本是处于一个高维空间中，通过映射（或变换）的方法可以用低维空间来表示样本。此过程叫特征提取。
特征选择：
从一组特征中挑选出一些最有效的特征以达到降低特征空间维数的目的，此过程称特征选择。两种方法：（1）“自下而上”：特征数从0逐步增加。（2）“自上而下”：特征数从D开始逐步减少。
综合答案：
为了有效地实现分类识别, 就要对原始数据进行变换, 得到最能反映分类本质的特征。这就是特征提取和选择的过程。一般我们把原始数据组成的空间叫测量空间, 把分类识别赖以进行的空间叫特征空间, 通过变换, 可把在维数较高的测量空间中表示的模式变为在维数较低的特征空间中表示的模式。
原始特征的数量可能很大, 或者说样本是处于一个高维空间中, 通过映射( 或变换) 的方法可以用低维空间来表示样本, 这个过程叫特征提取。映射后的特征叫二次特征, 它们是原始特征的某种组合( 通常是线性组合) 。
所谓特征提取在广义上就是指一种变换。若Y 是测量空间, X 是特征空间, 则变换A: Y→X 就叫做特征提取器。通过变换把原始特征变换为较少的新特征, 这就是特征提取。
如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^
