Está bien pensar en las características extraídas de las capas ocultas del medio de un autoencoder como “componentes principales no lineales”.
Esto es solo replicar el trabajo muy famoso de otros, pero para ver la diferencia entre la extracción de características usando PCA y la extracción de características usando autoencoders, puede hacer una imagen como esta:
Aquí puede ver que los componentes principales lineales y las características no lineales extraídas del autoencoder están captando diferentes aspectos de los datos de entrenamiento de dígitos MNIST.
- ¿Cuáles son los trabajos posibles para un ingeniero informático además de la programación?
- ¿Cuál es la principal diferencia entre un título en informática y ciencias de la computación y matemáticas?
- USB tipo C vs conector lightning?
- ¿Cómo difiere la seguridad informática entre la ingeniería informática y la informática?
- ¿Qué puedo hacer después de aprender sobre ingeniería informática?
En la práctica, he visto que la extracción de características de PCA y Autoencoder es útil para diferentes conjuntos de datos, uno no es mejor que el otro, solo representan los datos de manera diferente.