Câu hỏi được gắn thẻ «dimensionality-reduction»

Đề cập đến các kỹ thuật để giảm một số lượng lớn các biến hoặc kích thước được kéo dài bởi dữ liệu đến một số lượng kích thước nhỏ hơn trong khi vẫn giữ được càng nhiều thông tin về dữ liệu càng tốt. Các phương pháp nổi bật bao gồm PCA, MDS, Isomap, v.v ... Hai lớp con chính của kỹ thuật: trích xuất tính năng và lựa chọn tính năng.

5
Làm thế nào các thành phần chính hàng đầu có thể giữ sức mạnh dự đoán trên một biến phụ thuộc (hoặc thậm chí dẫn đến dự đoán tốt hơn)?
Giả sử tôi đang chạy một hồi quy . Tại sao bằng cách chọn các thành phần nguyên tắc hàng đầu của , mô hình có giữ được khả năng dự đoán của nó trên không?Y∼ XY∼XY \sim XkkkXXXYYY Tôi hiểu rằng từ chiều giảm / điểm tính năng lựa …
2
Làm thế nào để hiểu được sự phi tuyến của người Hồi giáo như trong cách giảm kích thước phi tuyến của người Hồi giáo?
Tôi đang cố gắng tìm hiểu sự khác biệt giữa các phương pháp giảm kích thước tuyến tính (ví dụ: PCA) và các phương pháp phi tuyến (ví dụ, Isomap). Tôi hoàn toàn không thể hiểu những gì tuyến tính (phi) ngụ ý trong bối cảnh này. Tôi đọc từ …
3
Có nên coi việc giảm kích thước để trực quan hóa được coi là một vấn đề đã đóng, được giải quyết bởi t-SNE?
Tôi đã đọc rất nhiều về thuật toán -snettt để giảm kích thước. Tôi rất ấn tượng với hiệu suất trên các bộ dữ liệu "cổ điển", như MNIST, nơi nó đạt được sự phân tách rõ ràng của các chữ số ( xem bài viết gốc ): Tôi cũng …
1
Tại sao chỉ có
Trong PCA, khi số lượng kích thước lớn hơn (hoặc thậm chí bằng) số lượng mẫu N , tại sao bạn sẽ có nhiều nhất các hàm sinh học N - 1 khác không? Nói cách khác, thứ hạng của ma trận hiệp phương sai giữa các kích thước d …
4
Tại sao dữ liệu hỗn hợp là một vấn đề đối với các thuật toán phân cụm dựa trên euclide?
Hầu hết các thuật toán phân cụm và giảm kích thước cổ điển (phân cụm theo phân cấp, phân tích thành phần chính, phương tiện k, bản đồ tự tổ chức ...) được thiết kế dành riêng cho dữ liệu số và dữ liệu đầu vào của chúng được xem …
1
Làm thế nào LDA, một kỹ thuật phân loại, cũng đóng vai trò là kỹ thuật giảm kích thước như PCA
Trong bài viết này , tác giả liên kết phân tích phân biệt tuyến tính (LDA) với phân tích thành phần chính (PCA). Với kiến ​​thức hạn hẹp của mình, tôi không thể theo dõi làm thế nào LDA có thể hơi giống với PCA. Tôi đã luôn nghĩ rằng …
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookie và Chính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.