最出名的降维算法是PCA和t-SNE。将这两个算法分别应用到数据「X」上，并得到数据集「X_projected_PCA」，「X_projected_tSNE」。下面哪一项对「X_projected_PCA」和「X_projected_tSNE」的描述是正确的?A.X_projected_PCA在最近邻空间能得到解释B.X_projected_tSNE在最近邻空间能得到解释C.两个都在最近邻空间能得到解释D.两个都不能在最近邻空间得到解释

题目

最出名的降维算法是PCA和t-SNE。将这两个算法分别应用到数据「X」上，并得到数据集「X_projected_PCA」，「X_projected_tSNE」。下面哪一项对「X_projected_PCA」和「X_projected_tSNE」的描述是正确的?

A.X_projected_PCA在最近邻空间能得到解释

B.X_projected_tSNE在最近邻空间能得到解释

C.两个都在最近邻空间能得到解释

D.两个都不能在最近邻空间得到解释

相似考题

1.我们建立一个5000个特征,100万数据的机器学习模型.我们怎么有效地应对这样的大数据训练()A.我们随机抽取一些样本,在这些少量样本之上训练B.我们可以试用在线机器学习算法C.我们应用PCA算法降维,减少特征数D.B和CE.A和BF.以上所有

2.以下哪些是PCA算法可以解决的问题A．对维度较小的数据进行维度扩充B．数据维度压缩C．对维度大于3的数据进行可视化处理D．对特征相关性较高的数据进行降维

3.SVM算法的最小时间复杂度是O（n*n)。基于这一点，以下哪种规格的数据集并不适用于该算法？A．大数据集B．小数据集C．中数据集D．不受数据集大小的影响

4.LDA（线性区别分析)与PCA（主成分分析）均是降维的方法，下面描述不正确的是（）A．PCA对高维数据降维后的维数是与原始数据特征维度相关（与数据类别标签无关）B．LDA降维后所得到维度是与数据样本的类别个数K有关（与数据本身维度无关）C．假设原始数据一共有K个类别，那么LDA所得数据的降维维度小于或等于K−1D．PCA和LDA均是基于监督学习的降维方法

更多“最出名的降维算法是PCA和t－SNE。将这两个算法分别应用到数据「X」上,并得到数据集「X_projected_PCA」 ”相关问题

  • 第1题：

    下面选项中说法正确的有（）。

    A．JDA特征转化时，降维方法中的数据重构选择PCA来进行

    B．通过PCA得到k 维特征表示后，为了减小边缘分布差异，引入最大均值差异MMD，旨在k维嵌入中计算源域数据和目标域数据样本均值之间的距离

    C．JDA中，目标域中没有标签数据，不能直接建模，需利用类条件分布来近似，因此可以利用在源域数据上训练得到的基分类器应用到目标域数据，得到目标域数据的伪标签

    D．在JDA中，我们的目标是同时最小化域间边缘分布和条件分布的差异


    定义JavaScript函数要明确返回类型

  • 第2题：

    下列关于数据降维的说法不正确的是（）

    A.神经网络算法不能用于数据降维。#B.原始数据可能包含数以百/千/万计的属性，大部分情况下会有很多属性与任务不相关，是冗余的，数据降维可以提高数据质量，提升数据挖掘和机器学习的效率及精度。#C.数据降维的方法包括人工降维和自动降维，其中自动降维又分为维度规约和数据压缩 。#D.维度规约又称又称特征选择, 就是要删除冗余无用的属性；被保留的属性仍保持原有的物理意义。
    神经网络算法不能用于数据降维。

  • 第3题：

    以下关于PCA算法的描述正确的有哪些

    A．即使输入数据X各个维度上的数值相似度较高，依旧需要对其去均值

    B．已知使用PCA算法压缩后的数据Y以及压缩矩阵A，但是无法大致还原压缩前的数据X

    C．在使用PCA算法时，有可能陷入局部最小值，所以需要使用不同的初始化数值多次计算以获得更好的结果

    D．使用PCA算法时，数据压缩后的维度M可以设置的偏小一点


    即使输入数据X各个维度上的数值相似度较高，依旧需要对其去均值;使用PCA算法时，数据压缩后的维度M可以设置的偏小一点

  • 第4题：

    任何的算法都是由数据结构和算法这两个要素组成。


    算法

  • 第5题：

    2、SVM算法的最小时间复杂度是O（n²），基于此，以下哪种规格的数据集并不适该算法？

    A．不受数据集的大小影响

    B．中等数据集

    C．小数据集

    D．大数据集


    大数据集

相关内容