Boyut indirgeme
Makine öğrenmesi ve veri madenciliği |
---|
![]() |
Problemler
|
|
|
Yapılandırılmış tahmin
|
|
|
|
Teori
|
Konferanslar ve dergiler
|
|
Veri biliminde, boyut indirgeme, bir verinin yüksek boyutlu bir uzaydan, düşük boyutlu bir uzaya, anlamını kaybetmeyecek şekilde dönüştürülmesidir.[1] Yüksek boyutlu bir veriyi işlemek daha fazla işlem yükü gerektirir. Bu yüzden, yüksek sayıda gözlemin ve değişkenin incelendiği sinyal işleme, konuşma tanıma, nöroinformatik, biyoinformatik gibi alanlarda boyut indiremesi sıkça kullanılır.[2]
Boyut indirgeme yaklaşımları doğrusal ve doğrusal olmayan olarak ikiye ayrılır.[2] Boyut indirgeme var olan özniteliklerin bir alt kümesini seçerek ya da yeni öznitelikler çıkararak yapılabilir.[3] Boyut indirgemesi gürültü filtreleme, veri görselleştirme ya da kümeleme analizi amacıyla kullanılabileceği gibi, diğer makine öğrenimi yöntemlerinin ön adımı olarak uygulanabilir.
Kaynakça
- ^ Eray Yıldız; Yusuf Sevim. "Sınıflandırma Yöntemleri Üzerinde Lineer Boyut İndirgeme Yöntemlerinin Karşılaştırılması" [Comparison Of Linear Dimensionality Reduction Methods On Classification Methods] (PDF). emo.org.tr. 10 Ocak 2020 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 19 Temmuz 2020.
- ^ a b van der Maaten, Laurens; Postma, Eric; van den Herik, Jaap (26 Ekim 2009). "Dimensionality Reduction: A Comparative Review" (PDF). J Mach Learn Res. 10: 66-71. 19 Temmuz 2020 tarihinde kaynağından arşivlendi (PDF). Erişim tarihi: 19 Temmuz 2020.
- ^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". Liu, Huan; Motoda, Hiroshi (Ed.). Feature Extraction, Construction and Selection. s. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.