Otro método de aprendizaje no supervisado llamado mapa autoorganizado (SOM) también está adaptado a su problema (http://en.wikipedia.org/wiki/Sel…). El SOM es una red neuronal que tiene interesantes propiedades de agrupamiento, proyección y visualización.
Hay un buen ejemplo en el artículo de Wikipedia: 
“Mapa autoorganizado que muestra los patrones de votación del Congreso de EE. UU. Visualizados en Synapse. Los dos primeros cuadros muestran agrupaciones y distancias, mientras que los restantes muestran el componente Aviones . Rojo significa un voto de sí mientras que azul significa un voto de no en los planos componentes … “
Una clara ventaja de este método es que es fácil de interpretar visualmente en un espacio de baja dimensión. Te ayudará a:
- visualizar los racimos
- Identifique qué características están correlacionadas en función de la similitud visual de sus planos componentes:
Esta cifra proviene de “Mejora de la búsqueda de correlaciones en una gran cantidad de planos de componentes SOM” (http://slidesha.re/h6SjC6). Vale la pena echarle un vistazo, especialmente si tiene demasiados planos componentes.
- ¿Es posible que un ingeniero de procesamiento de señales se involucre en el campo del aprendizaje automático?
- ¿Puede el aprendizaje automático diagnosticar el autismo?
- Para las selecciones de características, ¿cuál deberíamos preferir, PCA (basado en la matriz de correlación) para reducir la dimensión o Xgboost (basado en el árbol)?
- En problemas de optimización matemática, a menudo se usa la primera derivada. ¿Por qué no el segundo, o derivados de orden superior?
- ¿Cómo aprendo la teoría profunda sobre Bitcoin como su programación o hash?
