主成分分析

【初译】：由图可看出我们实际上得到的是对原始数据的一维近似。

【初译】：由图可看出我们实际上得到的是对原始数据的一维近似。

如果要训练一个自动编码器（autoencoder）或其它无监督特征学习算法，运算时间将直接依赖于输入数据的维数。若用<math>\textstyle \tilde{x} \in \Re^k</math>取代<math>\textstyle x</math>作为输入数据，那么算法将使用该低维数据进行训练，运行速度也大大加快。对于很多数据集来说，低维表征量<math>\textstyle \tilde{x}</math>都可达到对原数据集的完美近似，因此对这些数据集使用PCA算法将可保证在只产生较小近似误差的同时极大地提速程序。

如果要训练一个自动编码器（autoencoder）或其它无监督特征学习算法，运算时间将直接依赖于输入数据的维数。若用<math>\textstyle \tilde{x} \in \Re^k</math>取代<math>\textstyle x</math>作为输入数据，那么算法将使用该低维数据进行训练，运行速度也大大加快。对于很多数据集来说，低维表征量<math>\textstyle \tilde{x}</math>都可达到对原数据集的完美近似，因此对这些数据集使用PCA算法将可保证在只产生较小近似误差的同时极大地提速程序。

【一审】：由上图可看出我们实际上得到的是对原始数据的一维近似。

【一审】：由上图可看出我们实际上得到的是对原始数据的一维近似。