Réduction de dimensionnalité
Explorez 11 termes liés à l'IA dans la Réduction de Dimensionnalité
Dimensionnalité des données
La dimensionnalité des données fait référence au nombre de caractéristiques ou d'attributs dans un ensemble de données.
Dimensionnalité des caractéristiques
La dimensionnalité des caractéristiques fait référence au nombre de variables ou de caractéristiques d'entrée dans un ensemble de données utilisé pour l'analyse ou la modélisation.
Projection de caractéristiques
La projection de caractéristiques est une technique de réduction de la dimensionnalité des données dans les modèles d'IA, en se concentrant sur les caractéristiques pertinentes.
Carte propre de Laplace du graphe
GLEUne carte propre du Laplacien de graphe est une technique de réduction de dimension utilisant la théorie des graphes.
Analyse en Composantes Principales par Noyau (Kernel PCA)
KPCALa PCA par noyau est une technique de réduction de dimensionnalité non linéaire utilisant des méthodes de noyau.
Embedding linéaire local
LLEL'Embedding linéaire local (LLE) est une technique de réduction de dimension qui préserve la structure locale dans les données.
Espace de faible dimension
L'espace de faible dimension fait référence à une représentation simplifiée des données en moins de dimensions, facilitant l'analyse et la visualisation.
Hypothèse du Manifold
MHL'hypothèse du Manifold suggère que les données de haute dimension peuvent être modélisées comme des surfaces de faible dimension dans un espace de dimension supérieure.
Apprentissage de variétés
MLL'apprentissage de variétés est un type d'apprentissage automatique qui réduit les dimensions des données tout en préservant leur structure.
Échelle multidimensionnelle
MDSLa mise à l'échelle multidimensionnelle (MDS) est une technique statistique utilisée pour visualiser la similarité ou la dissimilarité des points de données.
UMAP
UMAPUMAP est une technique d'apprentissage automatique pour visualiser des données à haute dimension dans des dimensions inférieures.