Le processus de diminution des variables dans un jeu de données d'entraînement utilisé pour créer des modèles d'apprentissage automatique est connu sous le nom de "réduction de dimensionnalité". En transformant des données de haute dimension dans un espace de dimension inférieure qui capture l'"essence fondamentale" des données, la procédure contrôle la dimensionnalité des données. Elle est fréquemment utilisée dans des disciplines telles que la reconnaissance vocale, le traitement du signal, la bioinformatique, etc., qui traitent des données de haute dimension. Elle peut également être appliquée à l'analyse de clusters, la réduction du bruit et la visualisation de données. Pour que l'apprentissage automatique analyse des données avec des millions de caractéristiques, de nombreuses sources et calculs sont nécessaires. De plus, il y a beaucoup de travail manuel. En transformant un jeu de données de haute dimension dans un jeu de données de dimension inférieure sans modifier les caractéristiques importantes du jeu de données original, la réduction de dimensionnalité rend cette tâche difficile relativement simple.
Qu'est-ce que la réduction de dimensionnalité ?
Réduction de dimensionnalité
Le processus de diminution des variables dans un jeu de données d'entraînement utilisé pour créer des modèles d'apprentissage automatique est connu sous le nom de « réduction de dimensionnalité ». En transformant des données de haute dimension dans un espace de dimension inférieure qui capture l'« essence fondamentale » des données, la procédure contrôle la dimensionnalité des données. Elle est fréquemment utilisée dans des disciplines telles que la reconnaissance vocale, le traitement du signal, la bioinformatique, etc., qui traitent des données de haute dimension. Elle peut également être appliquée à l'analyse de clusters, la réduction du bruit et la visualisation de données. Pour que l'apprentissage automatique analyse des données avec des millions de caractéristiques, de nombreuses sources et calculs sont nécessaires. De plus, il y a beaucoup de travail manuel. En transformant un jeu de données de haute dimension dans un jeu de données de dimension inférieure sans modifier les caractéristiques importantes du jeu de données original, la réduction de dimensionnalité rend cette tâche difficile relativement simple.