Statistiques et Big Data dimensionality-reduction

1

Méthode Nystroem pour l'approximation du noyau

J'ai lu sur la méthode Nyström pour aproximation du noyau de bas rang. Cette méthode est implémentée dans scikit-learn [1] comme méthode pour projeter des échantillons de données à une approximation de bas rang du mappage des fonctionnalités du noyau. À ma connaissance, étant donné un ensemble d'apprentissage et une …

12 scikit-learn dimensionality-reduction kernel-trick nonlinear

4

Quelles sont les différences entre les encodeurs automatiques et le t-SNE?

Pour autant que je sache, les encodeurs automatiques et t-SNE sont utilisés pour la réduction de dimensionnalité non linéaire. Quelles sont les différences entre eux et pourquoi devrais-je utiliser l'un par rapport à l'autre?

12 neural-networks deep-learning dimensionality-reduction autoencoders tsne

2

Modélisation avec plus de variables que de points de données

Je suis relativement nouveau dans l'apprentissage machine / modélisation et j'aimerais avoir des informations sur ce problème. J'ai un ensemble de données où le nombre d'observations est mais le nombre de variables est . Premièrement, est-il même judicieux d'envisager de construire un modèle sur un ensemble de données comme celui-ci …

12 regression machine-learning dimensionality-reduction penalized

3

Signification de «erreur de reconstruction» dans PCA et LDA

J'implémente PCA, LDA et Naive Bayes, respectivement pour la compression et la classification (implémentant à la fois un LDA pour la compression et la classification). J'ai le code écrit et tout fonctionne. Ce que je dois savoir, pour le rapport, c'est quelle est la définition générale de l' erreur de …

12 machine-learning pca terminology dimensionality-reduction discriminant-analysis

3

Y a-t-il une valeur dans la réduction de dimensionnalité d'un ensemble de données où toutes les variables sont approximativement orthogonales?

Supposons que j'ai un ensemble de données à dimensions où les N dimensions sont à peu près orthogonales (ont une corrélation nulle).NNNNNN Existe-t-il une utilité en termes de: Visualisation Représentation (pour l'efficacité du classificateur) Ou d'autres critères effectuer une réduction de dimensionnalité sur les données?

11 pca dimensionality-reduction

8

Visualisation de données de grande dimension

J'ai des échantillons de deux classes qui sont des vecteurs dans un espace de grande dimension et je veux les tracer en 2D ou 3D. Je connais les techniques de réduction de dimensionnalité, mais j'ai besoin d'un outil vraiment simple et facile à utiliser (en matlab, python ou un .exe …

11 data-visualization matlab python dimensionality-reduction

3

Quelles sont les hypothèses de l'analyse factorielle?

Je veux vérifier si j'ai vraiment compris l' analyse factorielle (FA) [classique, linéaire] , en particulier les hypothèses qui sont faites avant (et éventuellement après) FA. Certaines des données doivent être initialement corrélées et il existe une relation linéaire possible entre elles. Après avoir effectué une analyse factorielle, les données …

11 correlation factor-analysis assumptions dimensionality-reduction

2

Quel est l'avantage de réduire la dimensionnalité des prédicteurs à des fins de régression?

Quels sont les applications ou les avantages des techniques de régression par réduction de dimension (DRR) ou de réduction de dimensionnalité supervisée (SDR) par rapport aux techniques de régression traditionnelles (sans réduction de dimensionnalité)? Ces classes de techniques trouvent une représentation de faible dimension de l'ensemble des caractéristiques du problème …

11 regression machine-learning pca dimensionality-reduction

7

Technique de réduction des données pour identifier les types de pays

J'enseigne un cours d'introduction à la géographie économique. Pour aider mes élèves à mieux comprendre les types de pays que l'on trouve dans l'économie mondiale contemporaine et à apprécier les techniques de réduction des données, je veux construire un devoir qui crée une typologie de différents types de pays (par …

11 pca factor-analysis dimensionality-reduction

2

Comment déterminer les paramètres du t-SNE pour réduire les dimensions?

Je suis très nouveau dans les intégrations de mots. Je veux visualiser à quoi ressemblent les documents après leur apprentissage. J'ai lu que t-SNE est l'approche pour le faire. J'ai 100K documents avec 250 dimensions comme taille de l'incorporation. Plusieurs packages sont également disponibles. Cependant, pour t-SNE, je ne sais …

11 pca dimensionality-reduction word2vec word-embeddings tsne

3

Le premier composant principal ne sépare pas les classes, contrairement aux autres PC; comment est-ce possible?

J'ai exécuté PCA sur 17 variables quantitatives afin d'obtenir un plus petit ensemble de variables, c'est-à-dire les principaux composants, à utiliser dans l'apprentissage automatique supervisé pour classer les instances en deux classes. Après PCA, PC1 représente 31% de la variance des données, PC2 17%, PC3 10%, PC4 8%, PC5 7% …

11 machine-learning classification pca dimensionality-reduction

1

Questions sur PCA: quand les PC sont-ils indépendants? pourquoi PCA est-il sensible à la mise à l'échelle? pourquoi les PC sont-ils contraints d'être orthogonaux?

J'essaie de comprendre certaines descriptions de l'ACP (les deux premières proviennent de Wikipedia), emphase ajoutée: Les composants principaux ne sont garantis indépendants que si l'ensemble de données est distribué normalement conjointement . L'indépendance des principaux composants est-elle très importante? Comment puis-je comprendre cette description? L'ACP est sensible à la mise …

11 pca dimensionality-reduction

4

La «projection aléatoire» n'est-elle pas à proprement parler une projection?

Les implémentations actuelles de l'algorithme de projection aléatoire réduisent la dimensionnalité des échantillons de données en les mappant de à utilisant une matrice de projection dont les entrées proviennent d'une distribution appropriée (par exemple de ):RdRd\mathbb R^dRkRk\mathbb R^kd×kd×kd\times kRRRN(0,1)N(0,1)\mathcal N(0,1) x′=1k√xRx′=1kxRx^\prime = \frac{1}{\sqrt k}xR Idéalement, il existe des preuves théoriques …

10 terminology dimensionality-reduction linear-algebra random-projection

3

Quand utiliseriez-vous PCA plutôt que LDA dans la classification?

Je lis cet article sur la différence entre l'analyse en composantes principales et l'analyse discriminante multiple (analyse discriminante linéaire), et j'essaie de comprendre pourquoi vous utiliseriez jamais PCA plutôt que MDA / LDA. L'explication est résumée comme suit: En gros, dans PCA, nous essayons de trouver les axes avec les …

10 classification pca dimensionality-reduction discriminant-analysis

1

Une ACP à grande échelle est-elle même possible?

La méthode classique de l'analyse en composantes principales (ACP) consiste à le faire sur une matrice de données d'entrée dont les colonnes ont une moyenne nulle (alors l'ACP peut "maximiser la variance"). Ceci peut être réalisé facilement en centrant les colonnes. Cependant, lorsque la matrice d'entrée est clairsemée, la matrice …

10 pca algorithms dimensionality-reduction large-data sparse

Questions marquées «dimensionality-reduction»