Phương pháp giảm tính dimensition là những công cụ thiết yếu trong việc học mà không có giám sát, giúp đơn giản hóa dữ liệu phức tạp bằng cách giảm số tính năng trong khi bảo quản những thông tin quan trọng. những kỹ thuật này cải thiện hiệu quả tính toán và hình ảnh hóa, làm cho việc phân tích dữ liệu có thể kiểm soát hơn.

Phân tích thành phần chính (PCA)

PCA là một trong những kỹ thuật cắt giảm chiều phổ biến nhất, nó biến các tính năng gốc thành một tập hợp các biến không liên quan đến nhau gọi là các thành phần chính.

PCA là hiệu quả trong việc giảm kích thước trong bộ dữ liệu với nhiều tính năng tương quan như dữ liệu ảnh hoặc dữ liệu biểu hiện gen. Nó cũng có ích cho việc hình ảnh hoá dữ liệu cao trong hai hoặc ba chiều.

T- Distried Stostic interining (t-SNE)

T-SNE là một kỹ thuật phi tuyến tính vượt trội trong việc hình dung dữ liệu cao bằng cách lập bản đồ thành hai hoặc ba chiều.

T-SNE thường được sử dụng trong các ứng dụng như nhận diện hình ảnh, gen và phân đoạn khách hàng. nó là một phân khúc tính toán sâu sắc nhưng cung cấp sự hình dung sâu sắc về phân phối dữ liệu phức tạp.

Đồng phục hóa Phụ đề và Dự án (MRAP)

UMAP là một kỹ thuật không tuyến tính mới cung cấp các tính toán nhanh hơn và bảo tồn tốt hơn cấu trúc dữ liệu toàn cầu so với t-SNE. nó thích hợp cho các bộ dữ liệu lớn và cung cấp các hình ảnh hóa ý nghĩa.

UMAP được sử dụng trong nhiều lĩnh vực khác nhau, bao gồm cả sinh học thông tin và phân tích hình ảnh, để khám phá các mẫu dữ liệu và các mối quan hệ hiệu quả.

Dùng trường hợp trong việc học hỏi vô điều kiện

Phương pháp giảm thiểu tính cách được áp dụng trong việc phân tích các cụm, phát hiện bất thường và hình dung dữ liệu. giúp xác định các nhóm dữ liệu vốn có và các loại khác, hỗ trợ sự hiểu biết tốt hơn về cấu trúc dữ liệu.

  • Hình ảnh hoá dữ liệu
  • Giải cứu tính năng
  • giảm nhiễu
  • Xử lý sẵn cho mô hình học máy