AITerms 登入
機器學習資料處理特徵工程

降維處理(Dimensionality Reduction)是什麼?

降維處理旨在減少資料集的特徵數量,同時保留重要資訊,以簡化模型、加速運算並避免維度災難。

完整定義

降維處理是一種機器學習技術,用於減少資料集中變數(或特徵)的數量。它透過識別並移除冗餘或不相關的特徵,同時保留資料集中的重要資訊。降維可以簡化模型、加速運算、改善模型效能,並避免維度災難,尤其是在處理高維度資料時。

白話說明

你面對很多特徵時,怎麼把它們壓縮成好懂的幾個方向?

你可以把 降維處理 想成把很多特徵壓成少數重點軸線的方法。

它其實就是在少一點維度的前提下,盡量保住資料裡最重要的資訊。

降維處理旨在減少資料集的特徵數量,同時保留重要資訊,以簡化模型、加速運算並避免維度災難。資料太高維時,這常常能讓分析更快,也更容易看出結構。

記住這句

少一點維度,多一點可看性和效率

比喻:降維處理就像把一本很厚的書「濃縮」成精華摘要 -- 它會找出書中最關鍵、最重要的訊息,把那些重複或不那麼重要的細節拿掉,讓你看完摘要就能掌握整本書的核心內容,又不會被太多資訊淹沒。

容易混淆

vs 特徵選擇 (Feature Selection)

特徵選擇像直接「刪除」不重要的書頁,可能丟失一些資訊;降維處理則像把多個書頁的內容「融合」成新的精華句,在減少數量的同時,盡量保留了原始資訊的精髓。

實際案例

案例一:降維處理 看客戶資料

幾十個欄位一起看很亂,把它們壓成少數主方向後,常更容易看出客群結構。

案例二:降維處理 做前處理

在高維資料裡先降維,可以讓後面的分類或視覺化更快,也更不容易被雜訊干擾。

深入了解

降維可以是特徵選擇,也可以是特徵投影,兩者目的都在於減少複雜度

如果想保留可解釋性,選特徵;如果想抓主要結構,投影常更強

高維資料若不先縮,距離和相似度有時會變得很不可靠

情境判斷

Q1(直覺題): 資料有很多特徵時,先把它們壓成少數方向有沒有幫助?

有,因為你會更容易看出結構,也比較省算力。

Q2(判斷題): 降維一定會讓資訊變少嗎?

看情況,因為少掉的是次要維度,不一定是關鍵資訊;若方法選得好,反而能保留主幹、去掉雜訊。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,有 13 題把降維處理列為延伸術語,這裡列出 5 題。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本