Dimensionality reduction (original) (raw)
En aprendizaje automático y estadística reducción de dimensionalidad o reducción de la dimensión es el proceso de reducción del número de variables aleatorias que se trate, y se puede dividir en selección de función y extracción de función.
| Property | Value |
|---|---|
| dbo:abstract | En aprendizaje automático y estadística reducción de dimensionalidad o reducción de la dimensión es el proceso de reducción del número de variables aleatorias que se trate, y se puede dividir en selección de función y extracción de función. (es) Dimensionality reduction, or dimension reduction, is the transformation of data from a high-dimensional space into a low-dimensional space so that the low-dimensional representation retains some meaningful properties of the original data, ideally close to its intrinsic dimension. Working in high-dimensional spaces can be undesirable for many reasons; raw data are often sparse as a consequence of the curse of dimensionality, and analyzing the data is usually computationally intractable (hard to control or deal with). Dimensionality reduction is common in fields that deal with large numbers of observations and/or large numbers of variables, such as signal processing, speech recognition, neuroinformatics, and bioinformatics. Methods are commonly divided into linear and nonlinear approaches. Approaches can also be divided into feature selection and feature extraction. Dimensionality reduction can be used for noise reduction, data visualization, cluster analysis, or as an intermediate step to facilitate other analyses. (en) La réduction de la dimensionnalité (ou réduction de (la) dimension) est un processus étudié en mathématiques et en informatique, qui consiste à prendre des données dans un espace de grande dimension, et à les remplacer par des données dans un espace de plus petite dimension. Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée. (fr) La riduzione della dimensionalità, o riduzione della dimensione, è la trasformazione dei dati da uno spazio ad alta dimensione in uno spazio di dimensione minore, in modo che quest'ultima mantenga alcune proprietà significative dei dati originali, idealmente vicino alla sua dimensione intrinseca. Lavorare con spazi ad alta dimensionalità può essere indesiderabile per molte ragioni; i dati grezzi sono spesso sparsi come conseguenza della "maledizione della dimensionalità" e l'analisi dei dati è solitamente computazionalmente sconveniente. La riduzione della dimensionalità è comune nei campi che trattano un gran numero di osservazioni o un gran numero di variabili, come l'elaborazione del segnale, il riconoscimento vocale, la neuroinformatica e la bioinformatica. I metodi sono comunemente suddivisi in approcci lineari e non lineari. Gli approcci possono anche essere suddivisi in selezione ed estrazione delle caratteristiche. La riduzione della dimensionalità può essere utilizzata per la riduzione del rumore, la visualizzazione dei dati, l'analisi dei cluster o come passaggio intermedio per facilitare altre analisi. (it) 차원축소(次元縮小, 영어: dimensionality reduction)는 고차원 데이터로부터, 저차원의 데이터로 변환하는 방법이다. (ko) Redukcja wymiaru (ang. dimensionality reduction, dimension reduction) w statystyce oraz uczeniu maszynowym to proces zmniejszania liczby zmiennych branych pod uwagę podczas analizy. Redukcja wymiaru może polegać między innymi na: * Selekcji cech (ang. feature selection) - ograniczeniu zbioru zmiennych wedle jednej lub kilku reguł. * odrzucanie cech nadmiernie skorelowanych ze sobą * odrzucanie cech nieistotnych statystycznie * odrzucanie cech, które nie poprawiają wyników modelu * odrzucanie cech według wiedzy eksperckiej * Ekstrakcji cech (ang. feature extraction) - tworzeniu cech pochodnych z początkowego zestawu danych celem uzyskania mniej obszernego zbioru zmiennych, który jak najlepiej odzwierciedlać będzie zależności w danych (pl) 次元削減（じげんさくげん、英: Dimensionality reduction、dimension reduction）とは、高次元空間から低次元空間へデータを変換しながら、低次元表現が元データの何らかの意味ある特性を保持することである。 高次元空間でデータを扱うことは、多くの理由から望ましくない。生のデータは次元の呪いの結果、疎になることが多く、データの解析は通常、計算不可能である。 次元削減は、信号処理、音声認識、、バイオインフォマティクスなど、大量の観測値や大量の変数を扱う分野で一般的である。 次元削減の方法は一般的に線形アプローチと非線形アプローチに分けられる。また、アプローチは特徴選択とに分けられる 。次元削減は、ノイズ除去、データの可視化、クラスター分析、あるいは他の分析を容易にするための中間段階として利用されることがある。 (ja) В статистике, машинном обучении и теории информации снижение размерности — это преобразование данных, состоящее в уменьшении числа переменных путём получения главных переменных. Преобразование может быть разделено на отбор признаков и выделение признаков. (ru) 在机器学习和统计学领域，降维是指在某些限定条件下，降低随机变量个数，得到一组“不相关”主变量的过程。 降维可进一步细分为变量选择和特征提取两大方法。 (zh) У статистиці, машинному навчанні та теорії інформації зниження розмірності є процесом скорочення кількості випадкових змінних шляхом отримання множини головних змінних. Цей процес можна поділити на обирання ознак та виділяння ознак. (uk) |
| dbo:thumbnail | wiki-commons:Special:FilePath/PCA_Projection_Illustration.gif?width=300 |
| dbo:wikiPageExternalLink | http://bioinfo-out.curie.fr/projects/elmap/ https://cs.nyu.edu/~roweis/lle/ https://intelligencereborn.com/MachineLearningDimensionalityReduction.html https://jmlr.csail.mit.edu/papers/special/feature03.html http://citeseerx.ist.psu.edu/viewdoc/summary%3Fdoi=10.1.1.98.1478 http://citeseerx.ist.psu.edu/viewdoc/versions%3Fdoi=10.1.1.8.5098 https://books.google.com/books%3Fid=aXC9DwAAQBAJ&pg=PA343 https://web.archive.org/web/20040411051530/http:/isomap.stanford.edu/ |
| dbo:wikiPageID | 579867 (xsd:integer) |
| dbo:wikiPageLength | 21666 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1121153105 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Nearest_neighbor_search dbr:Non-negative_matrix_factorization dbr:Methods_of_detecting_exoplanets dbr:Time_series dbr:Curse_of_dimensionality dbr:International_Conference_on_Very_Large_Data_Bases dbr:Intrinsic_dimension dbr:Correlation_and_dependence dbr:Covariance dbr:Matrix_(mathematics) dbr:Weighted_correlation_network_analysis dbr:Neuroinformatics dbr:Semidefinite_embedding dbr:Eigenvalues_and_eigenvectors dbr:Mutual_information dbr:Local_tangent_space_alignment dbr:Machine_learning dbr:Signal_processing dbr:Singular_value_decomposition dbr:Sufficient_dimension_reduction dbr:Cluster_analysis dbr:Computational_complexity_theory dbr:Embedding dbr:Feature_(machine_learning) dbr:Feature_extraction dbr:Feature_selection dbr:Feedforward_neural_network dbr:Kernel_principal_component_analysis dbr:T-distributed_stochastic_neighbor_embedding dbr:Topological_data_analysis dbr:Maximally_informative_dimensions dbr:Backpropagation dbc:Machine_learning dbr:Data_analysis dbr:Johnson–Lindenstrauss_lemma dbr:Latent_semantic_analysis dbr:Linear_discriminant_analysis dbr:Locality-sensitive_hashing dbr:Data_transformation_(statistics) dbr:Data_visualization dbr:Noise_reduction dbr:Diffusion_map dbr:Isomap dbr:Principal_component_analysis dbr:Regression_analysis dbr:Restricted_Boltzmann_machine dbr:Riemannian_manifold dbr:Riemannian_metric dbr:Speech_recognition dbr:Hyperparameter_optimization dbr:K-nearest_neighbors_algorithm dbr:Bioinformatics dbr:Support-vector_machine dbr:Digital_image_processing dbr:Autoencoder dbc:Dimension_reduction dbr:CUR_matrix_approximation dbr:Sparse_matrix dbr:Circumstellar_disc dbr:Information_gain_in_decision_trees dbr:MinHash dbr:Random_projection dbr:Canonical_correlation_analysis dbr:Multifactor_dimensionality_reduction dbr:Multidimensional_scaling dbr:Semantic_mapping_(statistics) dbr:Maximum_variance_unfolding dbr:Neuroscience dbr:Locally_connected dbr:Statistical_classification dbr:Kernel_trick dbr:Locally_linear_embedding dbr:Sammon_mapping dbr:Multilinear_subspace_learning dbr:Semidefinite_programming dbr:Nonlinear_dimensionality_reduction dbr:Manifold_learning dbr:Tensor_representation dbr:High-dimensional_space dbr:Uniform_manifold_approximation_and_projection dbr:File:LDA_Projection_Illustration_01.gif dbr:File:PCA_Projection_Illustration.gif |
| dbp:wikiPageUsesTemplate | dbt:Cite_techreport dbt:Authority_control dbt:Citation_needed dbt:Cite_book dbt:Clear dbt:Div_col dbt:Div_col_end dbt:For dbt:Main dbt:Refbegin dbt:Refend dbt:Reflist dbt:See_also dbt:Short_description dbt:Recommender_systems |
| dct:subject | dbc:Machine_learning dbc:Dimension_reduction |
| gold:hypernym | dbr:Process |
| rdf:type | owl:Thing dbo:Election |
| rdfs:comment | En aprendizaje automático y estadística reducción de dimensionalidad o reducción de la dimensión es el proceso de reducción del número de variables aleatorias que se trate, y se puede dividir en selección de función y extracción de función. (es) La réduction de la dimensionnalité (ou réduction de (la) dimension) est un processus étudié en mathématiques et en informatique, qui consiste à prendre des données dans un espace de grande dimension, et à les remplacer par des données dans un espace de plus petite dimension. Pour que l'opération soit utile il faut que les données en sortie représentent bien les données d'entrée. (fr) 차원축소(次元縮小, 영어: dimensionality reduction)는 고차원 데이터로부터, 저차원의 데이터로 변환하는 방법이다. (ko) 次元削減（じげんさくげん、英: Dimensionality reduction、dimension reduction）とは、高次元空間から低次元空間へデータを変換しながら、低次元表現が元データの何らかの意味ある特性を保持することである。 高次元空間でデータを扱うことは、多くの理由から望ましくない。生のデータは次元の呪いの結果、疎になることが多く、データの解析は通常、計算不可能である。 次元削減は、信号処理、音声認識、、バイオインフォマティクスなど、大量の観測値や大量の変数を扱う分野で一般的である。 次元削減の方法は一般的に線形アプローチと非線形アプローチに分けられる。また、アプローチは特徴選択とに分けられる 。次元削減は、ノイズ除去、データの可視化、クラスター分析、あるいは他の分析を容易にするための中間段階として利用されることがある。 (ja) В статистике, машинном обучении и теории информации снижение размерности — это преобразование данных, состоящее в уменьшении числа переменных путём получения главных переменных. Преобразование может быть разделено на отбор признаков и выделение признаков. (ru) 在机器学习和统计学领域，降维是指在某些限定条件下，降低随机变量个数，得到一组“不相关”主变量的过程。 降维可进一步细分为变量选择和特征提取两大方法。 (zh) У статистиці, машинному навчанні та теорії інформації зниження розмірності є процесом скорочення кількості випадкових змінних шляхом отримання множини головних змінних. Цей процес можна поділити на обирання ознак та виділяння ознак. (uk) Dimensionality reduction, or dimension reduction, is the transformation of data from a high-dimensional space into a low-dimensional space so that the low-dimensional representation retains some meaningful properties of the original data, ideally close to its intrinsic dimension. Working in high-dimensional spaces can be undesirable for many reasons; raw data are often sparse as a consequence of the curse of dimensionality, and analyzing the data is usually computationally intractable (hard to control or deal with). Dimensionality reduction is common in fields that deal with large numbers of observations and/or large numbers of variables, such as signal processing, speech recognition, neuroinformatics, and bioinformatics. (en) La riduzione della dimensionalità, o riduzione della dimensione, è la trasformazione dei dati da uno spazio ad alta dimensione in uno spazio di dimensione minore, in modo che quest'ultima mantenga alcune proprietà significative dei dati originali, idealmente vicino alla sua dimensione intrinseca. Lavorare con spazi ad alta dimensionalità può essere indesiderabile per molte ragioni; i dati grezzi sono spesso sparsi come conseguenza della "maledizione della dimensionalità" e l'analisi dei dati è solitamente computazionalmente sconveniente. La riduzione della dimensionalità è comune nei campi che trattano un gran numero di osservazioni o un gran numero di variabili, come l'elaborazione del segnale, il riconoscimento vocale, la neuroinformatica e la bioinformatica. (it) Redukcja wymiaru (ang. dimensionality reduction, dimension reduction) w statystyce oraz uczeniu maszynowym to proces zmniejszania liczby zmiennych branych pod uwagę podczas analizy. Redukcja wymiaru może polegać między innymi na: (pl) |
| rdfs:label | Reducción de dimensionalidad (es) Dimensionality reduction (en) Réduction de la dimensionnalité (fr) Riduzione della dimensionalità (it) 次元削減 (ja) 차원 축소 (통계학) (ko) Redukcja wymiaru (pl) Снижение размерности (ru) 降维 (zh) Зниження розмірності (uk) |
| rdfs:seeAlso | dbr:Combinatorial_optimization |
| owl:sameAs | freebase:Dimensionality reduction http://d-nb.info/gnd/4224279-4 wikidata:Dimensionality reduction dbpedia-es:Dimensionality reduction dbpedia-fa:Dimensionality reduction dbpedia-fr:Dimensionality reduction dbpedia-he:Dimensionality reduction dbpedia-it:Dimensionality reduction dbpedia-ja:Dimensionality reduction dbpedia-ko:Dimensionality reduction dbpedia-pl:Dimensionality reduction dbpedia-ru:Dimensionality reduction dbpedia-tr:Dimensionality reduction dbpedia-uk:Dimensionality reduction dbpedia-vi:Dimensionality reduction dbpedia-zh:Dimensionality reduction https://global.dbpedia.org/id/b3ui |
| prov:wasDerivedFrom | wikipedia-en:Dimensionality_reduction?oldid=1121153105&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/LDA_Projection_Illustration_01.gif wiki-commons:Special:FilePath/PCA_Projection_Illustration.gif |
| foaf:isPrimaryTopicOf | wikipedia-en:Dimensionality_reduction |
| is dbo:knownFor of | dbr:Yoonkyung_Lee |
| is dbo:wikiPageRedirects of | dbr:Dimension_reduction dbr:Linear_dimensionality_reduction dbr:Dimensionality_Reduction dbr:Dimensionality_reduction_algorithm |
| is dbo:wikiPageWikiLink of | dbr:Multivariate_statistics dbr:Bias–variance_tradeoff dbr:Perceiver dbr:Curse_of_dimensionality dbr:CyTOF dbr:Independent_component_analysis dbr:Index_of_robotics_articles dbr:J._Nathan_Kutz dbr:PLOS_Computational_Biology dbr:Cosine_similarity dbr:Matrix_(mathematics) dbr:Medical_image_computing dbr:Chessboard_detection dbr:Generalized_functional_linear_model dbr:Open_Mind_Common_Sense dbr:Random_indexing dbr:Quantitative_structure–activity_relationship dbr:Sociomapping dbr:Eigenvalues_and_eigenvectors dbr:Functional_correlation dbr:Functional_data_analysis dbr:Glossary_of_artificial_intelligence dbr:Mlpy dbr:Convolutional_neural_network dbr:Correspondence_analysis dbr:The_Political_Compass dbr:Apache_Spark dbr:Singular_value_decomposition dbr:Empirical_dynamic_modeling dbr:Feature_(machine_learning) dbr:Feature_extraction dbr:Feature_selection dbr:Functional_principal_component_analysis dbr:Kernel_embedding_of_distributions dbr:Population_structure_(genetics) dbr:Principal_component_regression dbr:Proper_generalized_decomposition dbr:Topological_data_analysis dbr:Maximally_informative_dimensions dbr:Data_analysis dbr:Data_reduction dbr:Distance_geometry dbr:Fuzzy_concept dbr:Johnson–Lindenstrauss_lemma dbr:K-independent_hashing dbr:Latent_and_observable_variables dbr:Latent_semantic_mapping dbr:Latent_space dbr:Linear-nonlinear-Poisson_cascade_model dbr:Linear_classifier dbr:Linear_discriminant_analysis dbr:Rough_set dbr:Danielle_Belgrave dbr:Dynamic_mode_decomposition dbr:ELKI dbr:Outline_of_robotics dbr:Diffusion_map dbr:Diffusion_wavelets dbr:Digital_video_fingerprinting dbr:Dimensional_reduction dbr:Flow_cytometry_bioinformatics dbr:Francesca_Chiaromonte dbr:Granular_computing dbr:Principal_component_analysis dbr:Dimension_reduction dbr:Restricted_Boltzmann_machine dbr:Guyan_reduction dbr:Count_sketch dbr:L1-norm_principal_component_analysis dbr:Collaborative_filtering dbr:Document_clustering dbr:Autoencoder dbr:CUR_matrix_approximation dbr:Bubacarr_Bah dbr:Random_projection dbr:Multifactor_dimensionality_reduction dbr:Multiple_discriminant_analysis dbr:Multidimensional_scaling dbr:Self-organizing_map dbr:Semantic_mapping_(statistics) dbr:Waffles_(machine_learning) dbr:Trajectory_inference dbr:Exploratory_data_analysis dbr:Random_mapping dbr:Signal_subspace dbr:Single-cell_transcriptomics dbr:Nonlinear_dimensionality_reduction dbr:Text_mining dbr:Outline_of_machine_learning dbr:Parameter_space dbr:Word_embedding dbr:Supervised_learning dbr:Sparse_dictionary_learning dbr:Types_of_artificial_neural_networks dbr:Spectral_clustering dbr:Tsetlin_machine dbr:Yoonkyung_Lee dbr:Tensor_sketch dbr:Word2vec dbr:Linear_dimensionality_reduction dbr:Dimensionality_Reduction dbr:Dimensionality_reduction_algorithm |
| is dbp:knownFor of | dbr:Yoonkyung_Lee |
| is foaf:primaryTopic of | wikipedia-en:Dimensionality_reduction |
