- Welche Algorithmen für maschinelles Lernen werden zur Reduzierung der Dimensionalität verwendet??
- Was sind 3 Möglichkeiten zur Reduzierung der Dimensionalität?
- Was ist der beliebteste Algorithmus zur Dimensionalitätsreduzierung?
Welche Algorithmen für maschinelles Lernen werden zur Reduzierung der Dimensionalität verwendet??
Hauptkomponentenanalyse (PCA)
Im Kontext des maschinellen Lernens (ML) ist PCA ein unbeaufsichtigter Algorithmus für maschinelles Lernen, der für die Reduzierung der Dimensionalität verwendet wird.
Was sind 3 Möglichkeiten zur Reduzierung der Dimensionalität?
3 neue Techniken zur Reduzierung der Datendimensionalität im maschinellen Lernen. Die Autoren identifizieren drei Techniken zur Reduzierung der Dimensionalität von Daten, die alle dazu beitragen könnten, maschinelles Lernen zu beschleunigen: Lineare Diskriminanzanalyse (LDA), neuronales Autoencodieren und T-verteilte stochastische Nachbareinbettung (T-SNE) (T-SNE).
Was ist der beliebteste Algorithmus zur Dimensionalitätsreduzierung?
Die Hauptkomponentenanalyse (PCA) ist möglicherweise die beliebteste Technik für die Reduzierung der Dimensionalität mit dichten Daten (wenige Nullwerte).