Définition - Que signifie la réduction de dimensionnalité?
La réduction de dimensionnalité est une série de techniques d'apprentissage automatique et de statistiques visant à réduire le nombre de variables aléatoires à prendre en compte. Cela implique la sélection de fonctionnalités 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 étrangères à traiter, ce qui rend les algorithmes d'apprentissage automatique plus rapides et plus simples.
Definir Tech explique la réduction de dimensionnalité
La réduction de dimensionnalité tente de réduire le nombre de variables aléatoires dans les données. Une approche K-plus proche-voisins est souvent utilisée. Les techniques de réduction de dimensionnalité sont divisées en deux grandes catégories: la sélection de caractéristiques et l'extraction de caractéristiques.
Les techniques de sélection d'entités trouvent un sous-ensemble plus petit d'un ensemble de données à plusieurs dimensions pour créer un modèle de données. Les principales stratégies pour l'ensemble de fonctionnalités sont le filtre, le wrapper (à l'aide d'un modèle prédictif) et l'incorporation, qui effectuent la sélection de fonctionnalités lors de la création 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, l'ACP du noyau, l'ACP du noyau basée sur un graphique, l'analyse discriminante linéaire et l'analyse discriminante généralisée.