Agregué una respuesta a la respuesta de Michael Li sobre cómo interpretar la figura, pero creo que el siguiente argumento simple es mucho más intuitivo para pensar en la maldición de la dimensionalidad.
Suponga que está en una unidad de hipercubo en un espacio D-dimensional, y las observaciones se extienden por todo el interior del hipercubo. Desea capturar una fracción r de esas observaciones cercanas con un cubo más pequeño cuya longitud de borde es x. Entonces necesitas un cubo con [math] x = r ^ {1 / D} [/ math] para capturar una fracción r.
Luego, para capturar el 10% en (solo) espacio de 10 dimensiones, la longitud del borde del cubo de captura es el 79% del rango de cada dimensión (x = (0.1) ^ (1/10) = 0.79), que no es tan “local” en el sentido de geometría de baja dimensión con la que nos sentimos cómodos. (Por lo tanto, los vecinos más cercanos podrían no ser una buena idea). Esta es solo otra forma de decir que, en un espacio muy oscuro, hay tantos números de valores posibles, que crece exponencialmente con D.
- ¿Qué enfoques utilizaron los participantes en Quora ML CodeSprint 2013?
- ¿Cómo se actualizan los pesos en la red neuronal probabilística?
- En un problema de optimización no convexo, ¿es posible determinar si dos puntos pertenecen al mismo valle o no?
- ¿A qué laboratorio puedo unirme en Caltech para hacer investigación de aprendizaje automático?
- ¿Cuál es un algoritmo de detección de imagen apropiado para detectar corrosión / óxido?