La agrupación básicamente toma en consideración todo el espacio n-dimensional. Esto a su vez conduce a una sobrecarga en términos de complejidad computacional y el manejo de puntos de datos ruidosos irrelevantes. Para combatir esto, existen mecanismos de reducción de dimensionalidad que se dividen en dos categorías:
1. Transformación de características
2. Selección de funciones
La transformación de características ayuda a reducir la dimensionalidad al transformar los puntos de datos de tal manera. Sin embargo, no afecta la distancia entre los puntos de datos (objetos) e incluye todos los atributos incluso después de la aplicación de la transformación de características. De nuevo, la irrelevancia es existente.
- ¿Quién puede decirme el método paso a paso para comenzar a aprender el aprendizaje automático desde cero, comenzar a trabajar independientemente y convertirlo como mi trabajo a tiempo completo?
- Específicamente, ¿cuáles son todos los conceptos matemáticos que necesito saber para aprender sobre el aprendizaje automático y el aprendizaje profundo con éxito?
- ¿Qué método debo usar para hacer una prueba de esfuerzo en una computadora?
- ¿Pueden las técnicas de visión por computadora de hoy determinar si Batman es Bruce Wayne?
- ¿Cuál es la ley de las computadoras de Moore?
La Selección de funciones selecciona un subconjunto del espacio n-dimensional.
Pero la agrupación de subespacios ayuda a seleccionar los puntos de datos que existen en múltiples subespacios, posiblemente superpuestos. Principalmente encuentra aplicación en procesamiento de imágenes, bioinformática y muchos más.
Espero que esto haya respondido tu pregunta !!!
