---
title: Dimension Reduction
localeTitle: Redução de Dimensão
---
## Redução de Dimensão

Lidar com muitas dimensões pode ser doloroso para algoritmos de aprendizado de máquina. A alta dimensionalidade aumentará a complexidade computacional, aumentará o risco de overfitting (já que seu algoritmo possui mais graus de liberdade) e a dispersão dos dados aumentará. Assim, a redução de dimensionalidade projetará os dados em um espaço com menor dimensão para limitar esses fenômenos.

## Por que a redução de dimensionalidade é útil?

*   Projeção em duas dimensões é freqüentemente usada para facilitar a visualização de conjuntos de dados de alta dimensionalidade.
    
*   Quando as dimensões podem receber uma interpretação significativa, a projeção ao longo dessa dimensão pode ser usada para explicar certos comportamentos.
    
*   No caso de aprendizado supervisionado, a redução de dimensionalidade pode ser usada para reduzir a dimensão dos recursos, potencialmente levando a um melhor desempenho do algoritmo de aprendizado.
    

## Técnicas de Redução de Dimensionalidade

*   Análise Linear Discriminante [LDA](http://scikit-learn.org/stable/modules/lda_qda.html)
*   [PCA de](http://setosa.io/ev/principal-component-analysis/) Análise de Componentes Principais
*   PCA do kernel
*   PCA do kernel baseado em gráfico
*   Integração de Vizinhos Estocásticos Distribuídos em [T t-SNE](https://lvdmaaten.github.io/tsne/)
*   [Auto Codificadores](https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe)
*   Análise discriminante generalizada (GDA)
*   autoencodificadores

#### Mais Informações:

*   [Um tutorial passo a passo para análise de componentes principais](https://plot.ly/ipython-notebooks/principal-component-analysis/#introduction)
*   [Técnicas de Redução de Dimensionalidade](https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe)
*   [Técnicas de redução de dimensionalidade: por onde começar](https://blog.treasuredata.com/blog/2016/03/25/dimensionality-reduction-techniques-where-to-begin)