2.2 KiB
| title | localeTitle |
|---|---|
| Dimension Reduction | Reducción de dimensiones |
Reducción de dimensiones
Tratar con muchas dimensiones puede ser doloroso para los algoritmos de aprendizaje automático. La alta dimensionalidad aumentará la complejidad computacional, aumentará el riesgo de sobrealimentación (ya que su algoritmo tiene más grados de libertad) y la escasez de datos aumentará. Por lo tanto, la reducción de la dimensionalidad proyectará los datos en un espacio con menos dimensión para limitar estos fenómenos.
¿Por qué es útil la reducción de dimensionalidad?
-
La proyección en dos dimensiones a menudo se usa para facilitar la visualización de conjuntos de datos de alta dimensión.
-
Cuando a las dimensiones se les puede dar una interpretación significativa, la proyección a lo largo de esa dimensión se puede usar para explicar ciertos comportamientos.
-
En el caso de aprendizaje supervisado, la reducción de la dimensionalidad se puede utilizar para reducir la dimensión de las características, lo que potencialmente conduce a un mejor rendimiento del algoritmo de aprendizaje.
Técnicas de reducción de la dimensionalidad
- Análisis discriminante lineal LDA
- Análisis de componentes principales PCA
- Kernel PCA
- PCA basado en grafos
- Incrustación de vecinos estocásticos distribuidos t-SNE
- Auto codificadores
- Análisis discriminante generalizado (GDA)
- autoencodificadores