Estadísticas y Big Data dimensionality-reduction

1

Método de Nystroem para la aproximación del núcleo

He estado leyendo sobre el método de Nyström para la aproximación de kernel de bajo rango. Este método se implementa en scikit-learn [1] como un método para proyectar muestras de datos a una aproximación de bajo rango del mapeo de características del núcleo. A lo mejor de mi conocimiento, dado …

12 scikit-learn dimensionality-reduction kernel-trick nonlinear

4

¿Cuáles son las diferencias entre autoencoders y t-SNE?

Hasta donde yo sé, tanto los autoencoders como el t-SNE se usan para la reducción de dimensionalidad no lineal. ¿Cuáles son las diferencias entre ellos y por qué debería usar uno versus otro?

12 neural-networks deep-learning dimensionality-reduction autoencoders tsne

2

Modelado con más variables que puntos de datos

Soy bastante nuevo en Machine Learning / Modeling y me gustaría conocer algunos antecedentes de este problema. Tengo un conjunto de datos donde el número de observaciones es sin embargo, el número de variables es . En primer lugar, ¿tiene sentido considerar la construcción de un modelo en un conjunto …

12 regression machine-learning dimensionality-reduction penalized

3

Significado de "error de reconstrucción" en PCA y LDA

Estoy implementando PCA, LDA y Naive Bayes, para compresión y clasificación respectivamente (implementando tanto un LDA para compresión y clasificación). Tengo el código escrito y todo funciona. Lo que necesito saber, para el informe, es cuál es la definición general de error de reconstrucción . Puedo encontrar muchas matemáticas y …

12 machine-learning pca terminology dimensionality-reduction discriminant-analysis

3

¿Hay algún valor en la reducción de dimensionalidad de un conjunto de datos donde todas las variables son aproximadamente ortogonales?

Supongamos que tengo un conjunto de datos -dimensional donde las dimensiones son más o menos ortogonales (tienen correlación cero).NNNNNN ¿Hay alguna utilidad en términos de: Visualización Representación (para la eficiencia del clasificador) U otros criterios realizar una reducción de dimensionalidad en los datos?

11 pca dimensionality-reduction

8

Visualizando datos de alta dimensión

Tengo muestras de dos clases que son vectores en un espacio de alta dimensión y quiero trazarlas en 2D o 3D. Sé acerca de las técnicas de reducción de dimensionalidad, pero necesito una herramienta realmente simple y fácil de usar (en matlab, python o un .exe precompilado). También me pregunto …

11 data-visualization matlab python dimensionality-reduction

3

¿Cuáles son los supuestos del análisis factorial?

Quiero verificar si realmente entendí el análisis factorial [clásico, lineal] (FA), especialmente los supuestos que se hacen antes (y posiblemente después) de FA. Algunos de los datos deben estar inicialmente correlacionados y existe una posible relación lineal entre ellos. Después de hacer el análisis factorial, los datos se distribuyen normalmente …

11 correlation factor-analysis assumptions dimensionality-reduction

2

¿Cuál es la ventaja de reducir la dimensionalidad de los predictores para propósitos de regresión?

¿Cuáles son las aplicaciones o ventajas de las técnicas de regresión de reducción de dimensiones (DRR) o de reducción supervisada de dimensionalidad (SDR) sobre las técnicas de regresión tradicionales (sin ninguna reducción de dimensionalidad)? Esta clase de técnicas encuentra una representación de baja dimensión del conjunto de características para el …

11 regression machine-learning pca dimensionality-reduction

7

Técnica de reducción de datos para identificar tipos de países.

Enseño un curso introductorio de geografía económica. Para ayudar a mis estudiantes a desarrollar una mejor comprensión de los tipos de países que se encuentran en la economía mundial contemporánea y una apreciación de las técnicas de reducción de datos, quiero construir una tarea que cree una tipología de diferentes …

11 pca factor-analysis dimensionality-reduction

2

¿Cómo determinar los parámetros para t-SNE para reducir dimensiones?

Soy muy nuevo en las incrustaciones de palabras. Quiero visualizar cómo se ven los documentos después de aprender. Leí que t-SNE es el enfoque para hacerlo. Tengo 100K documentos con 250 dimensiones como tamaño de la incrustación. También hay varios paquetes disponibles. Sin embargo, para t-SNE, no sé cuántas iteraciones …

11 pca dimensionality-reduction word2vec word-embeddings tsne

3

El primer componente principal no separa las clases, pero otras PC sí; ¿Cómo es eso posible?

Ejecuté PCA en 17 variables cuantitativas para obtener un conjunto más pequeño de variables, es decir, componentes principales, que se utilizarán en el aprendizaje automático supervisado para clasificar las instancias en dos clases. Después de PCA, PC1 representa el 31% de la variación en los datos, PC2 representa el 17%, …

11 machine-learning classification pca dimensionality-reduction

1

Preguntas sobre PCA: ¿cuándo son independientes las PC? ¿Por qué PCA es sensible al escalado? ¿Por qué las PC están obligadas a ser ortogonales?

Estoy tratando de entender algunas descripciones de PCA (las dos primeras son de Wikipedia), énfasis agregado: Se garantiza que los componentes principales serán independientes solo si el conjunto de datos se distribuye normalmente de manera conjunta . ¿Es muy importante la independencia de los componentes principales? ¿Cómo puedo entender esta …

11 pca dimensionality-reduction

4

¿Es "proyección aleatoria" estrictamente hablando no una proyección?

Las implementaciones actuales del algoritmo de proyección aleatoria reducen la dimensionalidad de las muestras de datos al mapearlas de RreRd\mathbb R^d a RkRk\mathbb R^k usando una matriz de proyección re× kd×kd\times kRRR cuyas entradas son iid de una distribución adecuada (por ejemplo, de norte( 0 , 1 )N(0,1)\mathcal N(0,1) ): …

10 terminology dimensionality-reduction linear-algebra random-projection

3

¿Cuándo usaría PCA en lugar de LDA en la clasificación?

Estoy leyendo este artículo sobre la diferencia entre el Análisis de componentes principales y el Análisis discriminante múltiple (Análisis discriminante lineal), y estoy tratando de entender por qué alguna vez usaría PCA en lugar de MDA / LDA. La explicación se resume de la siguiente manera: en términos generales, en …

10 classification pca dimensionality-reduction discriminant-analysis

1

¿Es posible la PCA a gran escala?

La forma clásica del análisis de componentes principales (PCA) es hacerlo en una matriz de datos de entrada cuyas columnas tienen media cero (entonces PCA puede "maximizar la varianza"). Esto se puede lograr fácilmente centrando las columnas. Sin embargo, cuando la matriz de entrada es escasa, la matriz centrada ahora …

10 pca algorithms dimensionality-reduction large-data sparse

Preguntas etiquetadas con dimensionality-reduction