如果數(shù)據集的特征數(shù)量很多，則在進行有監(jiān)督的步驟之前先通過無監(jiān)督的步驟來減少特征數(shù)可能會很有用。許多 無監(jiān)督學習方法都實現(xiàn)了一種可用于降低維度的transform方法。下面，我們討論大量使用此模式的兩個特定示例。

Pipelining

無監(jiān)督的數(shù)據約簡和有監(jiān)督的估計器只需一步即可鏈接在一起。請參閱Pipelining：鏈接估算器。

6.5.1 PCA：主成分分析

decomposition.PCA尋找可以捕捉原始特征方差的特征組合。請參閱分解組件中的信號（矩陣分解問題）。

示例

• 基于特征臉和支持向量機的人臉識別實例

6.5.2 隨機投影

模塊：random_projection提供了幾種用于通過隨機投影進行數(shù)據縮減的工具。請參閱文檔的相關部分：隨機投影。

例子

• Johnson-Lindenstrauss綁定嵌入隨機投影

6.5.3 特征聚集

cluster.FeatureAgglomeration應用 層次聚類將行為相似的特征分組在一起。

例子

• 特征集聚與單變量選擇
• 特征集聚

功能縮放

請注意，如果特征具有不同的縮放比例或統(tǒng)計屬性，則cluster.FeatureAgglomeration可能無法捕獲相關特征之間的關系。在這些設置中使用preprocessing.StandardScaler可能會有用。