El proceso de disminuir las variables en un conjunto de datos de entrenamiento utilizado para crear modelos de machine learning se conoce como "reducción de dimensionalidad". Al transformar datos de alta dimensionalidad en un espacio de menor dimensionalidad que captura la "esencia principal" de los datos, el procedimiento controla la dimensionalidad de los datos. Se utiliza frecuentemente en disciplinas como reconocimiento de voz, procesamiento de señales, bioinformática, etc., que manejan datos de alta dimensionalidad. Además, puede aplicarse al análisis de clusters, reducción de ruido y visualización de datos. Para que el machine learning analice datos con millones de características, se necesitan numerosas fuentes y cálculos. Además, hay mucho trabajo manual involucrado. Al transformar un conjunto de datos de alta dimensionalidad en uno de menor dimensionalidad sin cambiar las características importantes del conjunto de datos original, la reducción de dimensionalidad hace que esta tarea difícil sea comparativamente más sencilla.
¿Qué es la Reducción de Dimensionalidad?