降维算法概览与 PCA 原理
哪些公司问过
答案要点
- PCA目标:寻找正交方向使投影方差最大,等价于最小化重构误差
- 步骤:中心化(必要时标准化)→协方差矩阵→特征分解→按特征值排序取前k个特征向量→投影
- 特征值等于对应主成分方向的方差,用累计解释方差比选k
- 实际实现多用SVD,数值稳定,右奇异向量即主成分方向
- 局限:线性、对尺度和异常值敏感、无监督不考虑标签,非线性结构可用核PCA、t-SNE、UMAP
易错点
- 忘记中心化,或者量纲不同的特征不做标准化就直接PCA
- 把主成分当成原始特征来解释,忽略它是原特征的线性组合
- 认为方差大的方向一定对下游分类最有区分度
面试官常见追问
- PCA和LDA有什么区别?
- 为什么PCA前要中心化和标准化?
- PCA和t-SNE怎么选?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。