2.2 KiB
| title | localeTitle |
|---|---|
| Dimension Reduction | 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
- PCA de Análise de Componentes Principais
- PCA do kernel
- PCA do kernel baseado em gráfico
- Integração de Vizinhos Estocásticos Distribuídos em T t-SNE
- Auto Codificadores
- Análise discriminante generalizada (GDA)
- autoencodificadores