Οι τεχνικές μείωσης της διάστασης είναι απαραίτητα εργαλεία στην ανάλυση δεδομένων, βοηθώντας στην απλοποίηση των σύνθετων δεδομένων μειώνοντας τον αριθμό των μεταβλητών, ενώ παράλληλα διατηρεί σημαντικές πληροφορίες.

Κοινές τεχνικές για τη μείωση της διαστασιμότητας

Η κύρια ανάλυση συστατικών (PCA) μετατρέπει τα δεδομένα σε ένα νέο σύστημα συντεταγμένων, τονίζοντας τη διακύμανση. t-Distributed Στοχαστικοποίηση Γειτόνου Ενσωματώνοντας (t-SNE) είναι αποτελεσματική για την οπτικοποίηση υψηλής διάστασης δεδομένων σε δύο ή τρεις διαστάσεις.

Περιλαμβάνονται υπολογισμοί

Οι υπολογισμοί ποικίλλουν ανάλογα με την τεχνική. PCA περιλαμβάνει τον υπολογισμό της μήτρας συμπαραλλαγής των δεδομένων, στη συνέχεια την εύρεση των eigenvalues και eigenvectors. Τα κύρια συστατικά είναι οι eigenvectors που αντιστοιχούν στις μεγαλύτερες eigenvalues. t-SNE υπολογίζει τις ομοιότητες μεταξύ δύο σε υψηλή διάσταση χώρο και ελαχιστοποιεί την απόκλιση μεταξύ αυτών και τις ομοιότητες στον χώρο των κάτω διαστάσεων.

Περιπτώσεις Πρακτικής Χρήσης

Η μείωση της διαστάσεώς του εφαρμόζεται σε διάφορα πρακτικά σενάρια. Στην αναγνώριση εικόνας, μειώνει τον αριθμό των χαρακτηριστικών για ταχύτερη επεξεργασία. Στη γονιδιωματική, βοηθά στην απεικόνιση δεδομένων έκφρασης γονιδίων. Η κατάτμηση των πελατών στο μάρκετινγκ ωφελείται από τη μείωση μεταβλητών για τον προσδιορισμό διακριτών ομάδων.