3.1 KiB
title | localeTitle |
---|---|
Dimension Reduction | Уменьшение размеров |
Уменьшение размеров
Работа с множеством измерений может быть болезненной для алгоритмов машинного обучения. Высокая размерность увеличит вычислительную сложность, увеличит риск переобучения (поскольку ваш алгоритм имеет больше степеней свободы), а разреженность данных будет расти. Следовательно, уменьшение размерности будет проектировать данные в пространстве с меньшей размерностью, чтобы ограничить эти явления.
Почему уменьшение размерности полезно?
-
Проекция в два измерения часто используется для облегчения визуализации наборов данных с большими размерами.
-
Когда измерениям может быть дана значимая интерпретация, проецирование по этому измерению может быть использовано для объяснения определенного поведения.
-
В контролируемом учебном случае уменьшение размерности может быть использовано для уменьшения размера функций, что может привести к повышению производительности для алгоритма обучения.
Методы уменьшения размерности
- Линейный дискриминантный анализ LDA
- Анализ основных компонентов PCA
- Kernel PCA
- Графическое ядро PCA
- t-распределенное стохастическое соседнее вложение t-SNE
- Автокодеры
- Обобщенный дискриминантный анализ (GDA)
- автоассоциатор