2.4 KiB
2.4 KiB
| title | localeTitle |
|---|---|
| Dimension Reduction | خفض البعد |
خفض البعد
يمكن أن يكون التعامل مع الكثير من الأبعاد مؤلمًا لخوارزميات التعلم الآلي. سيزيد البعد العالي من التعقيد الحسابي ، ويزيد من خطر الإطعام (حيث أن الخوارزمية لديك أكثر درجات الحرية) وسيزداد تفاوت البيانات. ومن ثم ، فإن تقليل الأبعاد سيعرض البيانات في فضاء ذي بعد أقل للحد من هذه الظواهر.
لماذا يعتبر تقليل الأبعاد مفيدًا؟
-
وكثيرا ما يستخدم الإسقاط في بعدين لتسهيل تصور مجموعات البيانات عالية الأبعاد.
-
عندما يمكن إعطاء الأبعاد لتفسير ذي مغزى ، يمكن استخدام الإسقاط على هذا البعد لشرح بعض السلوكيات.
-
في حالة التعلم تحت الإشراف ، يمكن استخدام تقليل الأبعاد لتقليل بُعد الميزات ، مما قد يؤدي إلى أداء أفضل لخوارزمية التعلم.
تقنيات تقليل الأبعاد
- تحليل التمييز الخطي LDA
- تحليل المكونات الرئيسية PCA
- نواة PCA
- النواة القائمة على الرسوم البيانية PCA
- t-Distributed Stochastic neighbourhood Embedding t-SNE
- الترميز السيارات
- تحليل التمييز العام (GDA)
- autoencoders