machine-learning - 我可以使用特征向量值作为机器学习模型的列权重吗？

Question

PCA的输出是原始数据的协方差(或相关)矩阵的特征向量和特征值。假设有 $x_1,...,x_n$ 列，那么就有 $z_1,...,z_n$ 特征值和 $\tilde {z_1},...,\tilde{z_n}$ 特征向量。我的问题是:

• 我可以使用第一个(或者也另一个)特征向量作为我的模型的权重？例如作为列的权重$x_1,...,x_n$，一种无监督方法。
• 我将权重$\tilde{z_1}^{(1)},...,\tilde{z_1}^{(n)}$理解为每列的贡献值。正确吗？
• 我可以使用 Spearman 或 Kendall 相关性代替协方差吗？它会改变结果吗？

我知道这不是使用 PCA 的传统方法，但我想知道它是否有意义。

Answer 1

首先，你可以做任何你想做的事，我的 friend 。这是您的模型，您可以按照您想要的方式使用它。

但是，我不会那样做。 PCA 是一种降维的方法，您可以通过丢失数据来更快地训练模型。 PCA 可以看作是将 3 维球体简化为 2 维圆。在某些情况下它可能很有用。

利用 PCA 的输出，您可以训练您的模型并查看您得到的结果。但是，您是否尝试过在不使用 PCA 的情况下训练模型？也许您不需要它，并且您正在丢失可以改进模型的信息