下面对主成分分析的描述不正确的是()。
A.在主成分分析中,所得低维数据中每一维度之间具有极大相关度
B.主成分分析可保证原始高维样本数据被投影映射后,其方差保持最大
C.在主成分分析中,将数据向方差最大方向进行投影,可使得数据所蕴含信息没有丢失,以便在后续处理过程中各个数据“彰显个性”
D.主成份分析是一种特征降维方法
A.在主成分分析中,所得低维数据中每一维度之间具有极大相关度
B.主成分分析可保证原始高维样本数据被投影映射后,其方差保持最大
C.在主成分分析中,将数据向方差最大方向进行投影,可使得数据所蕴含信息没有丢失,以便在后续处理过程中各个数据“彰显个性”
D.主成份分析是一种特征降维方法
A.保证映射投影(即降维后)所得结果相关度最大以及投影后结果方差最大
B.保证映射投影方向之间的方差最大以及投影方向正交(以去除冗余度)
C.保证映射投影(即降维后)所得结果方差最大以及投影方向正交(以去除冗余度)
D.保证映射投影(即降维后)所得结果冗余度最小以及投影后结果方差最大
A.所找出的主成分是原来变量的线性组合
B.所找出的主成分是原来变量的非线性组合
C.用于主成分分析的多个变量之间应具有较强的相关性
D.用于主成分分析的多个变量之间必须是不相关的
E.主成分分析的目的是找出少数几个主成分代表原来的多个变量
A.PCA和LDA均是基于监督学习的降维方法
B.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−1
C.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)
D.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)
A.特征人脸方法是一种应用主成分分析来实现人脸图像降维的方法
B.特征人脸方法是一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像
C.每一个特征人脸的维数与原始人脸图像的维数一样大
D.特征人脸之间的相关度要尽可能大
B.在主成份分析的降维过程中,尽可能将数据向方差最大方向进行投影,使得数据所蕴含信息没有丢失,彰显个性
C.主成份分析方法是一种保证数据被投影后方差最大的特征降维方法
D.特征人脸方法是一种应用主成份分析来实现人脸图像降维的方法,其本质是用一种称为“特征人脸(eigenface)”的特征向量按照线性组合形式来表达每一张原始人脸图像,进而实现人脸识别
A.我们必须在使用PCA前规范化数据
B.我们应该选择使得模型有最大variance的主成分
C.我们应该选择使得模型有最小variance的主成分
D.我们可以使用PCA在低纬度上做数据可视化