Skip to content
简体中文

切换主题

// ◇ 经典机器学习

主成分分析

找出数据变化最大的几个方向来降维。

Principal Component Analysis (PCA) 1901 入门 核心

通俗解释

把数据旋转到一组新坐标轴上,第一轴方差最大,依次递减;只保留前几轴就能压缩数据、去噪、可视化。LoRA 的“低秩”直觉也与此相通。

用在哪里:数据可视化、特征压缩、嵌入降维

时间轴 · 前置 → 当前 → 后继

1901 主成分分析2008 t-SNE2018 UMAP2021 LoRA 低秩适配2022 叠加假说

01原始论文

LIII. On lines and planes of closest fit to systems of points in space

Pearson et al. · The London, Edinburgh, and Dublin Philosophical Magazine and Journal of Science · 1901

DOI ↗ ✓ 已核实 · Crossref API doi:10.1080/14786440109462720

02知识位置

左边先学;右边是学完它之后可以学的。

先学

主成分分析

学完可以学

线性回归t-SNEUMAPLoRA 低秩适配叠加假说 主成分分析

左:前置 · 右:后继 · 虚线:相关。看完整关系图 →

03学习资料

官方文档、图解、课程和参考实现,链接都核对过。

04在课程里哪里学

所在学习路线:从零到深度学习

给 AI 读 / 数据说明

数据更新于:AI 算法图谱与课程体系(北京时间)