论文研究 非线性PCA的特征选择:一种神经网络方法

机器学习在于算法的创建和开发，这些算法允许机器学习自身，并随着时间的流逝逐渐改善其行为。 这种学习越有效，用于描述问题的数据集的特征就越具有代表性。 因此，一个重要的目标是正确选择（并可能减少数量）最相关的特征，这通常是通过降维工具（例如，主成分分析（PCA））执行的，而该方法通常不是线性的案件。 在这项工作中，通过定义和实现适当的人工神经网络模型，提出了一种计算PCA减少空间的方法，该方法可以准确而灵活地减小问题的维数。