Статьи по теме dimensionality-reduction

Публикации по теме 'dimensionality-reduction'

Уменьшение размеров без потери зрения: сравнение методов уменьшения размерности

Цель этого блога и эксперимента, стоящего за этим блогом, — сравнить эффективность различных методов уменьшения размерности (или DR) для табличных данных в задачах машинного обучения. Для этого к наборам данных были применены методы DR, и их эффективность была оценена с помощью регрессионного и классификационного анализа. Для этого, а также в надежде сделать обобщенный вывод, вышеупомянутый подход был применен к множеству наборов данных, взятых из репозитория UCI, относящихся к разным..

ДОМЕННАЯ ЭКСПЕРТИЗА ПО РАЗРАБОТКЕ МОДЕЛЕЙ - (Jugaad)

1. Упростите, чтобы классифицировать эйлерово в лагранжево Преобразование относительной системы отсчета от времени к положению, то есть из эйлерова подхода к лагранжевому подходу. Существует фундаментальное различие / предположение в решении поведенческих и бизнес-проблем. В случае коммерческого / корпоративного сценария бизнес-параметр продолжает меняться со временем, в отличие от поведенческих параметров, в которых вкус клиента остается неизменным со временем, например,..

ОБРАБОТКА ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ АВТОЭНКОДЕРОВ

ОТКЛЮЧЕНИЕ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ АВТОЭНКОДЕРОВ Автоэнкодер - это нейронная сеть, используемая для уменьшения размерности; то есть для выбора и извлечения признаков. С точки зрения обработки изображений, мы можем обучить автоэнкодер выполнять за нас автоматическую предварительную обработку изображений. Denoising - одно из классических приложений автоэнкодера при обработке изображений. Процесс шумоподавления удаляет нежелательный шум, который искажает истинный сигнал. Это хорошо..

Анализ главных компонентов: потеря минимума информации при уменьшении размеров

Анализ главных компонентов: потеря минимума информации при уменьшении размеров В этом мире растущего объема данных мы постоянно ищем оптимальные способы хранения огромных данных, которые могут существовать в многомерном пространстве, и сжатия или уменьшения их, чтобы они поместились в доступное пространство для хранения. Однако мы надеемся не потерять много информации при попытке уменьшить или сжать исходные данные. Скажем, у нас есть следующие точки данных, распределенные в..

Данные датчика: понимание корреляций (часть 1)

Распознавание и классификация человеческой деятельности на основе показаний датчиков наших смартфонов. В этой статье мы будем классифицировать различные действия человека на основе показаний датчиков акселерометра и гирометра. Мы будем использовать набор данных UCI , в котором были проведены эксперименты на 30 участниках, а записи были получены с использованием встроенного акселерометра и гироскопа, 3-осевого линейного ускорения и 3-осевой угловой скорости с постоянной частотой 50..

Риски и меры предосторожности при применении PCA для задач контролируемого обучения

Соавторы: Амлан Джоти Дас , Сай Ясвантх Пространство больших измерений и его проклятие Проклятие размерности - очень важная проблема при работе с реальными наборами данных, которые, как правило, являются данными более высокой размерности. По мере увеличения размерности пространства признаков количество конфигураций может расти экспоненциально, и, таким образом, количество конфигураций, охватываемых наблюдением, уменьшается. В таком сценарии анализ главных компонентов играет..

Снижение размерности с помощью собственного значения и собственных векторов 101

Во-первых, не Е, это зрелище! Такие слова, как «собственные векторы» или «собственные значения», кажутся сложными для понимания, однако они присутствуют повсюду, но чтобы распознать, где они могут быть полезны, вам нужно поработать над интуицией. Видите ли, люди ежедневно создают взрывное количество так называемых «данных». Суть в том, что в конце концов эти данные представляют собой не что иное, как матрицу! которые можно было бы повернуть, чтобы получить понимание. Самый простой..