Sisällysluettelo:
- Määritelmä - mitä mittasuhteiden vähentäminen tarkoittaa?
- Techopedia selittää mittasuhteiden vähentämisen
Määritelmä - mitä mittasuhteiden vähentäminen tarkoittaa?
Dimensionaalisuuden vähentäminen on sarja koneoppimisessa ja tilastoinnissa käytettäviä tekniikoita harkittavien satunnaismuuttujien määrän vähentämiseksi. Se sisältää ominaisuuksien valinnan ja ominaisuuksien erottamisen. Dimensionaalisuuden vähentäminen tekee tietojen analysoinnista paljon helpompaa ja nopeampaa koneoppimisalgoritmien käsittelyyn ilman vieraita muuttujia, mikä tekee koneoppimisalgoritmeista puolestaan nopeampia ja yksinkertaisempia.
Techopedia selittää mittasuhteiden vähentämisen
Mitat pienentäminen yrittää vähentää satunnaismuuttujien lukumäärää tiedoissa. Usein käytetään lähimpien naapureiden lähestymistapaa. Mitat pienentämistekniikat jaetaan kahteen pääluokkaan: ominaisuuksien valinta ja ominaisuuksien poiminta.
Ominaisuuksien valintatekniikat löytävät pienemmän joukon moniulotteista tietojoukkoa datamallin luomiseksi. Ominaisuusjoukon tärkeimmät strategiat ovat suodatin, kääre (ennustavaa mallia käyttämällä) ja upotettu, jotka suorittavat ominaisuuden valinnan mallin rakentamisen aikana.
Ominaisuuksien erottamiseen sisältyy korkean ulottuvuuden datan muuntaminen vähemmän ulottuvuuksisiksi tiloiksi. Menetelmiin sisältyy pääkomponenttianalyysi, ytimen PCA, kuvaajapohjainen ytimen PCA, lineaarinen erottava analyysi ja yleinen erottava analyysi.
