Table des matières:
- Définition - Que signifie la réduction de la dimensionnalité?
- Techopedia explique la réduction de la dimensionnalité
Définition - Que signifie la réduction de la dimensionnalité?
La réduction de dimensionnalité est une série de techniques d'apprentissage automatique et de statistiques pour réduire le nombre de variables aléatoires à considérer. Cela implique la sélection et l'extraction de fonctionnalités. La réduction de la dimensionnalité rend l'analyse des données beaucoup plus facile et plus rapide pour les algorithmes d'apprentissage automatique sans variables externes à traiter, ce qui rend les algorithmes d'apprentissage automatique plus rapides et plus simples à leur tour.
Techopedia explique la réduction de la dimensionnalité
La réduction de dimensionnalité tente de réduire le nombre de variables aléatoires dans les données. Une approche K-plus proches voisins est souvent utilisée. Les techniques de réduction de dimensionnalité sont divisées en deux catégories principales: la sélection et l'extraction de caractéristiques.
Les techniques de sélection d'entités trouvent un sous-ensemble plus petit d'un ensemble de données multidimensionnel pour créer un modèle de données. Les principales stratégies pour l'ensemble des fonctionnalités sont le filtre, le wrapper (à l'aide d'un modèle prédictif) et intégré, qui effectuent la sélection des fonctionnalités lors de la construction d'un modèle.
L'extraction d'entités consiste à transformer des données de grande dimension en espaces de moins de dimensions. Les méthodes comprennent l'analyse des composants principaux, la PCA du noyau, la PCA du noyau basée sur un graphique, l'analyse discriminante linéaire et l'analyse discriminante généralisée.
