6.5. 无监督维度缩减#
如果你的特征数量很高，那么在监督步骤之前使用无监督步骤进行缩减可能是有用的。许多
无监督学习 方法实现了 transform 方法，可以用来降低维度。下面我们将讨论两个广泛使用的具体示例。
6.5.1. PCA: 主成分分析#
decomposition.PCA 寻找能够很好地捕捉原始特征方差的特征组合。参见 信号分解为成分（矩阵分解问题） 。
示例
6.5.2. 随机投影#
模块: random_projection 提供了几种通过随机投影进行数据缩减的工具。参见文档的相关部分：随机投影 。
示例
6.5.3. 特征聚合#
cluster.FeatureAgglomeration 应用
层次聚类 来将行为相似的特征分组在一起。
示例