1樓：藍紫色的我
高階的理解是比較片面的。
線性特徵說到底就是特徵可以用乙個y=ax+b或類似的線性方程可以擬合特徵變化，複雜度較低，理解較為容易。
非線性特徵也就是不能用線性方程擬合特徵變化，複雜度較高，理解較為困難。
但是自然生活中，存在的特徵千千萬，可以利用線性擬合的特徵一般比較少，而非線性特徵一般比較多。而非線性特徵由於研究方法較為麻煩，可能存在的隱含資訊更多，因此可能會看起來更高階一點。
2樓：
pca提取的新的特徵都是原始特徵的線性相加wx，這要求資料點基本都在w生成的子空間裡面，這個自空間可以說成是乙個平面，也就是要求資料點基本都在這個平面附近。然而實際的資料集的內在流體結構並不是這樣的平面，當然需要非線性的轉換才能做更好的特徵提取。
3樓：
沒有誰比誰高階這麼一種說法的。
只不過是現實世界大量的事物都是非線性可分的，而線性可分是最簡單可處理的，所以我們需要通過非線性變換（深層網路就是非線性變換的次數多），把它們送到乙個幾乎線性可分的特徵空間裡去表達出來。
CNN中影象的非線性特徵和線性特徵具體指的是什麼？
自來也 本身卷積運算屬於線性濾波器，因為輸出是加權和。只有單個conv層只會得到線性特徵。非線性濾波器，作非加權和運算，如取最大值，絕對值，中值。如maxpooling層 在dl的cnn網路裡，即包含了線性濾波器conv，也包含了非線性濾波器如maxpooling,還包含了輸出層的非線性函式soft...
做影象分類時keras提取的深度學習特徵與傳統特徵怎樣進行融合？
川彙金城武 直接使用concat拼接張量的效果應該不佳吧，周文罡教授Collaborative Index Embedding for Image Retrieval文章裡提到的方法效果怎麼樣？您實驗了嗎 王華 實時模型融合，也叫做多輸入模型，用keras就是下面這樣搭建 defmulti inpu...
學習非線性分析中的拓撲度理論需要什麼基礎？
李大鵬 拓撲度理論可以從分析，幾何，代數不同的方向給出定義展開研究，但本質上都是一樣的。如果是有限維的拓撲度理論，也就是布勞威爾度，只需要本科的向量場和基本的數學分析就能看懂了。如果是學無限維的 leray schauder 度的話至少需要學過線性泛函分析，各種函式空間。拓撲度也可以學得很深，看你具...