题目内容（请给出正确答案）

[单选题]

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

答案

PCA和LDA均是基于监督学习的降维方法

如搜索结果不匹配，请联系老师获取答案

您可能会需要：

重置密码查看订单联系客服

安装赏学吧APP，拍照搜题省时又省心！

更多“LDA（线性区别分析)与PCA（主成分分析）均是降维的方法，…”相关的问题

第1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

点击查看答案

第2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

点击查看答案

第3题

关于特征降维方法有线性判别分析（LDA）和主成分分析法（PCA），错误的是

A.LDA和PCA的共同点是，都可以将原始的样本映射到维度更低的样本空间

B.LDA是为了让映射后的样本有最好的分类性能。即LDA是一种有监督的降维方法

C.PCA是为了让映射后的样本具有最大的发散性，即PCA是一种无监督的降维方法

D.LDA和PCA都是有监督的降维方法

点击查看答案

第4题

关于特征降维方法有线性判别分析（LDA）和主成分分析法（PCA），错误的是

A.LDA和PCA的共同点是，都可以将原始的样本映射到维度更低的样本空间

B.LDA是为了让映射后的样本有最好的分类性能。即LDA是一种有监督的降维方法

C.PCA是为了让映射后的样本具有最大的发散性，即PCA是一种无监督的降维方法

D.LDA和PCA都是有监督的降维方法

点击查看答案

第5题

【多选题】下列属于线性的降维方法有（）

A.PCA

B.LDA

C.局部线性嵌套(LLE)

D.非负矩阵分解(NMF)

点击查看答案

第6题

PCA是一种无监督的降维方法

点击查看答案

第7题

PCA是一种有监督的降维方法。

点击查看答案

第8题

假设原始数据个数为n，原始数据维数为d，降维后的维数为l，下面对主成分分析算法描述不正确的是（）

A.主成分分析要学习一个映射矩阵，其大小是d×l

B.每个原始数据的维数大小从d变成了l

C.主成分分析学习得到了l个d维大小的向量，这l个d维向量之间彼此相关

D.在主成分分析中，我们将带约束的最优化问题，通过拉格朗日乘子法将其转化为无约束最优化问题

点击查看答案

第9题

【多选题】常用的高维数据可视化的数据变换的线性方法有（）

A.主成分分析(PCA)

B.多维尺度分析(MDS)

C.非负矩阵分解(NMF)

D.傅里叶变换

点击查看答案

警告：系统检测到您的账号存在安全风险

为了保护您的账号安全，请在“赏学吧”公众号进行验证，点击“官网服务”-“账号验证”后输入验证码“”完成验证，验证成功后方可继续查看答案！

微信搜一搜

赏学吧

点击打开微信

警告：系统检测到您的账号存在安全风险

抱歉，您的账号因涉嫌违反赏学吧购买须知被冻结。您可在“赏学吧”微信公众号中的“官网服务”-“账号解封申请”申请解封，或联系客服。

微信搜一搜

赏学吧

点击打开微信