在回归问题中，有哪些降维技术？我尝试过我所知道的唯一无监督技术，PCA和Kernel PCA（使用scikit learn库），但使用这些技术并没有看到任何改进。或许这些技术只适合分类问题？我可以尝试哪些其他技术？最好是那些在sklearn中实现的技术。
回答：
这是一个非常宽泛的问题，技术的适用性（或它们的组合），真的取决于你的具体问题。
一般来说，除了你提到的那些，还有几类降维方法。
-
或许最简单的降维形式是只使用一些特征，在这种情况下，我们实际上是在谈论特征选择（参见sklearn的模块）。
-
另一种方法是进行聚类（sklearn的），并用其组件的聚合来替换每个聚类。
-
最后，一些回归器使用l1惩罚和凸优化属性来同时选择一组特征；在sklearn中，参见lasso和弹性网。
再次强调，这是一个非常广泛的问题。甚至有关于特征选择的整本书和比赛，而特征选择是降维的一个子集。
