Inhaltsverzeichnis:
Definition - Was bedeutet Dimensionsreduktion?
Die Dimensionsreduktion ist eine Reihe von Techniken für maschinelles Lernen und Statistik, um die Anzahl der zu berücksichtigenden Zufallsvariablen zu reduzieren. Dabei werden Features ausgewählt und Features extrahiert. Durch die Reduzierung der Dimensionalität wird die Analyse von Daten für Algorithmen für maschinelles Lernen erheblich einfacher und schneller, ohne dass externe Variablen verarbeitet werden müssen. Dadurch werden Algorithmen für maschinelles Lernen schneller und einfacher.
Techopedia erklärt Dimensionality Reduction
Die Dimensionsreduktion versucht, die Anzahl der Zufallsvariablen in Daten zu reduzieren. Ein K-Nearest-Neighbours-Ansatz wird häufig verwendet. Dimensionalitätsreduktionstechniken werden in zwei Hauptkategorien unterteilt: Merkmalsauswahl und Merkmalsextraktion.
Techniken zur Merkmalsauswahl finden eine kleinere Teilmenge eines vieldimensionalen Datensatzes, um ein Datenmodell zu erstellen. Die Hauptstrategien für das Feature-Set sind Filter, Wrapper (unter Verwendung eines Vorhersagemodells) und Embedded, die die Feature-Auswahl beim Erstellen eines Modells durchführen.
Bei der Merkmalsextraktion werden hochdimensionale Daten in Räume mit weniger Dimensionen umgewandelt. Die Methoden umfassen Hauptkomponentenanalyse, Kernel-PCA, graphbasierte Kernel-PCA, lineare Diskriminanzanalyse und verallgemeinerte Diskriminanzanalyse.
