文章 "基于主成分的特征选择与降维"
当然，这个话题是永恒的，而且始终具有现实意义。
最好能在文章中介绍不同的方法，以比较它们的有效性，不是在合成数据上，而是在真实数据上。
我曾尝试将特征数增加到 5000，行数增加到 10000，结果等了三天也没等到结果。所以我在想，如果我们把特征数量分成几组，比如每组 100 个例子，然后把每组的优胜者集中起来进行最终筛选，质量是否会大打折扣？
当然，这个话题是永恒的，而且始终具有现实意义。
最好能在文章中介绍不同的方法，以比较它们的有效性，不是在合成数据上，而是在真实数据上。
我曾尝试将特征数增加到 5000，行数增加到 10000，结果等了三天也没等到结果。所以我在想，如果我们把特征数量分成几组，比如每组 100 个例子，然后把每组的优胜者集中起来进行最终筛选，质量是否会大打折扣？
新文章 基于主成分的特征选择与降维已发布：
金融时间序列预测通常涉及对众多特征的分析，其中许多特征可能高度相关。主成分分析（Principal Component Analysis，PCA）等降维技术有助于以更紧凑的形式表示这些特征。然而，PCA存在局限性，尤其是在存在高度相关变量的情况下。在这种情况下，PCA往往表现出分组效应，即一组高度相关的变量共同对某一主成分产生贡献。PCA并非突出单个变量，而是将影响相对均匀地分布在相关组中的所有变量上。
这种均匀分布有利于抑制噪声，因为主成分强调的是共同模式，而非单个变量特有的随机波动。然而，这种噪声抑制是有代价的：它往往会稀释每个主成分中单个变量的贡献。某些变量本身可能具有重要意义，但在转换后的空间中，其重要性可能降低，因为它们的影响被吸收到了该组所捕捉的更广泛结构中。在变量选择等任务中，这可能是一个重大缺陷，因为变量选择的目的是识别最具影响力的特征；在根源分析中，了解特定变量的直接影响也至关重要。
作者：Francis Dube