题目内容
（请给出正确答案）
[单选题]
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
答案
数据维度压缩;对维度大于3的数据进行可视化处理;对特征相关性较高的数据进行降维
如搜索结果不匹配，请 联系老师 获取答案
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
更多“以下哪些是PCA算法可以解决的问题”相关的问题
第2题
对iris数据集使用PCA降维，目的是把现有的4维数据减少到3维， 这样处理可以减少数据维度，保留各数据的主要特征。要求是使用PCA构造函数， 用n_components参数指定鸾尾花的维度为3。
点击查看答案
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
第5题
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−1
D.PCA和LDA均是基于监督学习的降维方法
第6题
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−1
D.PCA和LDA均是基于监督学习的降维方法
第7题
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−1
D.PCA和LDA均是基于监督学习的降维方法
第8题
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−1
D.PCA和LDA均是基于监督学习的降维方法
第9题
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−1
D.PCA和LDA均是基于监督学习的降维方法
