待验证50% 置信事实精确时间

对高基数类别特征进行独热编码会导致特征空间急剧膨胀，造成维度灾难，使欧氏距离在高维稀疏空间中区分能力急剧下降

1

来源数

50%

置信度

长期有效

时效性

2026/7/11

首次发现

来源

K-means vs 随机森林：如何从根本上判断算法选型？

redditr/learnmachinelearning2026/7/10

相关事实

待验证K-means依赖欧氏距离，在处理高基数类别特征时因维度灾难导致距离度量失效70% 相似待验证块太大会导致嵌入向量稀释、检索精度下降，块太小则可能丢失完整的语义单元70% 相似待验证区域提示技术存在内容渗漏、坐标设置调试成本大、多LoRA加载时特征空间干扰导致角色融合等局限69% 相似待验证RNN存在梯度消失/爆炸问题，梯度跨越大量时间步传递时会指数级衰减或膨胀，导致难以学习远距离依赖68% 相似待验证嵌入向量维度过高会带来维数灾难效应，导致相似度区分度下降并增加存储和检索成本，业界通过PCA或矩阵分解降维平衡质量与效率67% 相似

引用此条事实

Stable URI

https://kongchang.com/claim/480318

API

curl https://kongchang.com/api/v1/knowledge/claims/480318

MCP

get_claim(id=480318)