Речник

Намаляване на размерността

Какво е Намаляване на размерността?

Намаляването на размерността свежда броя на признаците в масив от данни, без да се губи същественото. Известни методи са анализът на главните компоненти (PCA), както и t-SNE и UMAP, които често се използват за визуализация. То ускорява изчисленията, намалява риска от преобучение и прави данните по-лесни за възприемане – например когато стотици характеристики на клиенти се проектират в двумерна диаграма, в която сходните клиенти са разположени близо един до друг.

Теми

анализ на данни
PCA
признаци

Изпробвайте KI.ordo

Агенти, потоци и шаблони в едно работно пространство – безплатна 24-часова демонстрация.

Стартирайте демото

← Всички термини

Свързани термини

Извличане на признаци

Извличането на признаци е процес, при който от суровите данни се получават смислени стойности, така че моделът да може да ги обработва ефективно. Вместо милиони отделни пиксели една система може да използва ръбове, цветове или форми; текстовете се превръщат в тегла на думите или в векторни представяния (ембединги). Добрите признаци намаляват обема на данните, свеждат изчислителните разходи до минимум и често подобряват точността. Извличането на признаци е основна част от инженерството на признаци.

подготовка на данни
инженерство на признаци
+1

Clustering

Клъстеризацията е метод за обучение без учител, който разделя точките от данни на групи въз основа на сходството им, без предварително зададени категории. Тя разкрива модели, които никой досега не е назовал – например клиентски сегменти със сходно купувателно поведение. При текстове клъстеризацията помага стотици запитвания на клиенти да се подредят по теми като доставка, фактуриране или жалби и показва къде е основната тежест.

обучение без учител
групиране
+1

Шаблон

Overfitting

Свръхнагласяне (overfitting) възниква, когато моделът запомня данните за обучение, включително случайните им особености и шум, вместо да улавя общовалидни закономерности. Тогава той изглежда много точен върху познати данни, но се представя слабо върху нови. Типичен признак е голямата разлика между грешката при обучение и при тест. Мерките включват повече или по-разнообразни данни, по-прости модели, регуляризация, dropout и кръстосана валидация.

качество на модела
обучение
+1

Конструиране и извличане на признаци (feature engineering)

Конструирането на признаци (feature engineering) означава избиране, преобразуване и създаване на атрибути (признаци) от суровите данни, така че алгоритъмът за обучение да открива по-лесно закономерности. Извличането на признаци извежда компактни, смислени стойности от сложни данни като текст, изображения или сигнали. Пример: отделни записи за покупки се превръщат в признаци като „дни от последната покупка“ или „средна стойност на поръчката“, което може осезаемо да подобри прогнозата за отпадане на клиенти.

Машинно обучение
Подготовка на данни
+1