Публикации по теме 'dimensionality-reduction'
Глава 8: Уменьшение размерности
Обзор практического машинного обучения с помощью Scikit-Learn, Keras и Tensorflow Орельена Жерона
Резюме
Уменьшение размерности — это процесс получения многомерных данных (данных, для которых требуется более трех измерений) и уменьшения количества измерений, чтобы либо упростить работу с данными, либо сделать их достаточно видимыми при визуализации данных. Это сокращение требует математических вычислений и требует потери информации, но в долгосрочной перспективе может сделать данные..
Объяснение самоорганизующихся карт
Самоорганизующиеся карты (SOM), также известные как карты Кохонена, представляют собой тип искусственной нейронной сети, которые используются для кластеризации, уменьшения размерности и многого другого.
В первой части я привожу обзор SOM. Во второй части я объясню, как они учатся. Наконец, в последней части я покажу, как обучить SOM на наборе данных радужной оболочки глаза. Не стесняйтесь переходить к последнему разделу, если хотите.
TL;DR:
SOM отображают многомерные входные..
Что такое Проклятие размерности ?| Машинное обучение №2
Визуализация стомерного пространства невероятно сложна для человека. Вдобавок к тому, что это трудно визуализировать, существуют как минимум две дополнительные проблемы с большими размерностями, обе из которых называются проклятием размерности . Один расчетный, другой математический.
С вычислительной точки зрения рассмотрим следующую задачу. Для K ближайших соседей скорость прогнозирования низкая для очень большого набора данных. По крайней мере, вы должны смотреть на каждый..
Уменьшение размерности и машинное обучение
Это помогает машинному обучению получать подходящие прогностические модели.
Уменьшение размерности — это область машинного обучения и искусственного интеллекта. Как мы знаем, в машинном обучении для любой классификации учитывается множество факторов, прежде чем будет получен результат. И эти факторы есть не что иное, как переменные, которые также называются признаками. Но вопрос здесь в том, что именно делает уменьшение размерности в машинном обучении. Ответ на этот вопрос будет..
Методы размерного уменьшения
Уменьшение размерности - это метод, который уменьшает количество входных переменных в конкретном наборе данных. Теперь здесь возникает вопрос, зачем нам нужно уменьшать размерность данных. Уменьшение размеров данных сокращает требуемое время и место для хранения. Это помогает устранить мультиколлинеарность, что улучшает интерпретацию параметров модели машинного обучения. Потому что тогда становится легче визуализировать данные, когда они уменьшаются до меньших измерений.
Теперь другая..
3 простых шага для уменьшения размерности с помощью анализа главных компонентов (PCA)
Двойной запуск алгоритма PCA является наиболее эффективным способом выполнения PCA.
Какова размерность набора данных?
В контексте как статистики, так и машинного обучения размерность набора данных означает…
Уменьшение размерности «за кадром»: как работают самые популярные алгоритмы?
Давайте начнем с выборочного набора данных, содержащего экспрессию генов в здоровых тканях легких для 604 пациентов.
В этом примере каждая строка представляет экспрессию гена для каждого пациента, а каждый столбец представляет экспрессию каждого гена у пациентов. Как видно из описания внизу таблицы, у нас есть p=16470 атрибуты или функции для каждого из n=604 пациенты. Обратите внимание, что в этом примере гораздо больше признаков, чем пациентов, что является обычным..
