Tartalomjegyzék:
Meghatározás - Mit jelent a dimenzió csökkentése?
A dimenzió csökkentése a gépi tanulás és a statisztika technikáinak sorozata a véletlen változók számának csökkentése érdekében. Ez magában foglalja a szolgáltatás kiválasztását és a szolgáltatás kibontását. A dimenzió csökkentése sokkal könnyebbé és gyorsabbá teszi az adatok elemzését a gépi tanulási algoritmusok feldolgozásakor, idegen változók nélkül, ezáltal a gépi tanulási algoritmusok viszont gyorsabbak és egyszerűbbek.
A Techopedia magyarázza a dimenzió csökkentését
A dimenzió csökkentése megkísérel csökkenteni az adatok véletlenszerű változóinak számát. Gyakran alkalmazzák a K-legközelebbi szomszédok megközelítését. A dimenzióképesség-csökkentési technikák két fő kategóriába sorolhatók: funkcióválasztás és szolgáltatáskivonás.
A szolgáltatásválasztási technikák a sokdimenziós adatkészlet kisebb részhalmazát találják meg az adatmodell létrehozásához. A szolgáltatáskészlet legfontosabb stratégiái a szűrő, a becsomagolás (egy prediktív modell felhasználásával) és a beágyazott, amelyek a szolgáltatás kiépítését végzik a modell felépítése során.
A szolgáltatás kibontása magában foglalja a nagy dimenziós adatok kevesebb dimenziójú helyekké történő átalakítását. A módszerek közé tartozik a főkomponens-elemzés, a kernel PCA, a gráf alapú kernel PCA, a lineáris diszkriminancia analízis és az általános diszkriminancia analízis.
