（C） 降维计算 获得降维矩阵后， 即可通过降维矩阵将样本映射到低维空间上 。降维公式如下图所示：

文章插图
如果是对于矩阵X 进行降维， X 是 m * n的， 那么降维后就变为 m * k 的维度， 每一行表示一个样本的特征 。
3.4 贡献率 （降维的k的值的选择） 在 这篇文章中， 很多人问了关于贡献率的问题， 这就是相当于选择k的值的大小 。也就是选择降维矩阵 U 中的特征向量的个数 。
k 越大， 也就是使用的U 中的特征向量越多， 那么导致的降维误差越小， 也就是更多的保留的原来的特征的特性 。反之亦然 。
从信息论的角度来看， 如果选择的 k 越大， 也就是系统的熵越大， 那么就可以认为保留的原来样本特征的不确定性也就越大， 就更加接近真实的样本数据 。如果 k 比较小， 那么系统的熵较小， 保留的原来的样本特征的不确定性就越少， 导致降维后的数据不够真实 。（完全是我个人的观点）
关于 k 的选择， 可以参考如下公式：

文章插图
上面这个公式 要求

• 请教杉木苗的种植方法？
• 美NIST研制出可模拟神经网络的硅光芯片
• 4 [Apple开发者帐户帮助]二、管理你的团队离开一个团队
• 4. 编写测试方法，测试备忘录的保存和恢复功能
• 简单爬虫项目总结_01
• ZIP伪加密与音频拨号隐写 —— 【高校战“疫”】隐藏的信息
• 关于超蛙的介绍 超蛙
• 发肤甲养护片的功效
• 蓝白与纯蓝配出什么样的猫
• 不良人李茂贞怎么死的