数据结构
网络
关系型数据库管理系统
操作系统
Java
MS Excel
iOS
HTML
CSS
Android
Python
C 编程
C++
C#
MongoDB
MySQL
Javascript
PHP
物理学
化学
生物学
数学
英语
经济学
心理学
社会学
服装设计
法律学什么是数据降维？
数据挖掘应用于大型数据库中的选定数据。当对大量数据进行数据分析和挖掘时，处理需要很长时间，这使得它变得不切实际且不可行。它可以减少数据分析的处理时间，数据降维技术用于获取数据集的缩减表示，该表示在体积上要小得多，同时保持原始数据的完整性。通过减少数据，可以提高数据挖掘过程的效率，从而产生相同的分析结果。
数据降维旨在更简洁地定义它。当数据大小较小时，应用复杂且计算成本高的算法会更容易。数据的减少可以是行数（记录）方面，也可以是列数（维度）方面。
数据降维有各种策略，如下所示：
数据立方体聚合 - 在此方法中，聚合操作用于数据立方体的构建数据。这些数据包括 2002 年至 2004 年期间每个季度的所有电子产品销售额。它对年度销售额（每年总计）感兴趣，而不是每个季度的总计。因此，可以聚合数据，以便结果数据汇总每年的总销售额而不是每个季度的总销售额。结果数据集的体积较小，并且没有丢失对分析任务必不可少的数据。
属性子集选择 - 在此方法中，可以发现并删除不相关、弱相关或冗余的属性或维度。用于分析的数据集可能包含数百个属性，其中一些属性可能与挖掘任务无关或冗余。例如，如果任务是根据客户是否可能在收到促销信息时购买 All Electronics 上的一张热门新 CD 来对客户进行分类，则诸如客户电话号码之类的属性可能不相关，而诸如年龄或音乐品味之类的属性则可能相关。
降维 - 使用编码机制来减少数据集的大小。在降维中，应用数据编码或转换以获得原始数据的缩减或“压缩”表示。如果可以从压缩数据中重建原始数据而不会丢失任何信息，则数据缩减称为无损。
数值缩减 - 数据通过替代的、更小的数据表示来恢复或预测，包括参数模型（只需要保存模型参数而不是实际数据）或非参数方法，包括聚类、抽样和直方图的使用。
离散化和概念层次结构生成 - 在此方法中，属性的原始数据值被替换为范围或更高的概念级别。数据离散化是一种数值缩减形式，对于自动生成概念层次结构非常有用。离散化和概念层次结构生成是数据挖掘的动态工具，因为它们允许在不同抽象级别上挖掘数据。
4K+ 浏览量
