33 lines
3.1 KiB
Markdown
33 lines
3.1 KiB
Markdown
---
|
||
title: Dimension Reduction
|
||
localeTitle: 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](http://scikit-learn.org/stable/modules/lda_qda.html)
|
||
* Анализ основных компонентов [PCA](http://setosa.io/ev/principal-component-analysis/)
|
||
* Kernel PCA
|
||
* Графическое ядро PCA
|
||
* t-распределенное стохастическое соседнее вложение [t-SNE](https://lvdmaaten.github.io/tsne/)
|
||
* [Автокодеры](https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe)
|
||
* Обобщенный дискриминантный анализ (GDA)
|
||
* автоассоциатор
|
||
|
||
#### Дополнительная информация:
|
||
|
||
* [Пошаговое руководство к основному анализу компонентов](https://plot.ly/ipython-notebooks/principal-component-analysis/#introduction)
|
||
* [Методы уменьшения размерности](https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe)
|
||
* [Методы уменьшения размерности: с чего начать](https://blog.treasuredata.com/blog/2016/03/25/dimensionality-reduction-techniques-where-to-begin) |