Γλωσσάριο

Μείωση διαστατικότητας

Τι είναι Μείωση διαστατικότητας;

Η μείωση διαστατικότητας περιορίζει τον αριθμό των χαρακτηριστικών ενός συνόλου δεδομένων χωρίς να χάνονται οι ουσιώδεις πληροφορίες. Γνωστές μέθοδοι είναι η ανάλυση κύριων συνιστωσών (PCA), καθώς και οι t-SNE και UMAP, που χρησιμοποιούνται συχνά για οπτικοποίηση. Επιταχύνει τους υπολογισμούς, μειώνει τον κίνδυνο υπερπροσαρμογής και κάνει τα δεδομένα ευκολότερα κατανοητά – για παράδειγμα όταν εκατοντάδες χαρακτηριστικά πελατών αποτυπώνονται σε ένα δισδιάστατο διάγραμμα, όπου παρόμοιοι πελάτες βρίσκονται κοντά.

Θέματα

ανάλυση δεδομένων
PCA
χαρακτηριστικά

Δοκιμάστε το KI.ordo

Πράκτορες, ροές εργασιών και πρότυπα σε έναν χώρο εργασίας – δωρεάν επίδειξη 24 ωρών.

Έναρξη επίδειξης

← Όλοι οι όροι

Σχετικοί όροι

Εξαγωγή χαρακτηριστικών

Η εξαγωγή χαρακτηριστικών είναι η διαδικασία με την οποία προκύπτουν χρήσιμες τιμές από ακατέργαστα δεδομένα, ώστε ένα μοντέλο να μπορεί να τις επεξεργάζεται αποτελεσματικά. Αντί για εκατομμύρια μεμονωμένα εικονοστοιχεία, ένα σύστημα μπορεί να χρησιμοποιεί ακμές, χρώματα ή σχήματα· τα κείμενα μετατρέπονται σε βάρη λέξεων ή σε διανύσματα embedding. Τα καλά χαρακτηριστικά μειώνουν τον όγκο δεδομένων, περιορίζουν την υπολογιστική προσπάθεια και συχνά βελτιώνουν την ακρίβεια. Η εξαγωγή χαρακτηριστικών αποτελεί βασικό μέρος της μηχανικής χαρακτηριστικών.

προετοιμασία δεδομένων
μηχανική χαρακτηριστικών
+1

Clustering

Η ομαδοποίηση (clustering) είναι μια μέθοδος μη επιβλεπόμενης μάθησης που χωρίζει σημεία δεδομένων σε ομάδες με βάση την ομοιότητά τους, χωρίς προκαθορισμένες κατηγορίες. Αποκαλύπτει μοτίβα που κανείς δεν έχει ονομάσει πριν – για παράδειγμα τμήματα πελατών με παρόμοια αγοραστική συμπεριφορά. Σε κείμενα, η ομαδοποίηση βοηθά να ταξινομηθούν εκατοντάδες αιτήματα πελατών σε θέματα όπως παράδοση, τιμολόγηση ή παράπονα και δείχνει πού βρίσκεται το κέντρο βάρους.

μη επιβλεπόμενη μάθηση
ομαδοποίηση
+1

Πρότυπο

Overfitting

Η υπερπροσαρμογή (overfitting) προκύπτει όταν ένα μοντέλο απομνημονεύει τα δεδομένα εκπαίδευσης, συμπεριλαμβανομένων τυχαίων ιδιομορφιών και θορύβου, αντί να συλλαμβάνει γενικά ισχύοντα πρότυπα. Τότε φαίνεται πολύ ακριβές στα γνωστά δεδομένα, αλλά αποδίδει άσχημα σε νέα. Ένα μεγάλο χάσμα ανάμεσα στο σφάλμα εκπαίδευσης και δοκιμής είναι τυπική ένδειξη. Τα αντίμετρα περιλαμβάνουν περισσότερα ή πιο ποικίλα δεδομένα, απλούστερα μοντέλα, κανονικοποίηση, dropout και διασταυρούμενη επικύρωση.

ποιότητα μοντέλου
εκπαίδευση
+1

Μηχανική και εξαγωγή χαρακτηριστικών

Η μηχανική χαρακτηριστικών (feature engineering) σημαίνει την επιλογή, τον μετασχηματισμό και τη δημιουργία γνωρισμάτων (χαρακτηριστικών) από ακατέργαστα δεδομένα, ώστε ένας αλγόριθμος μάθησης να εντοπίζει ευκολότερα μοτίβα. Η εξαγωγή χαρακτηριστικών (feature extraction) παράγει συμπαγείς, ουσιαστικές τιμές από σύνθετα δεδομένα, όπως κείμενο, εικόνες ή σήματα. Παράδειγμα: μεμονωμένες εγγραφές αγορών μετατρέπονται σε χαρακτηριστικά όπως «ημέρες από την τελευταία αγορά» ή «μέση αξία παραγγελίας», τα οποία μπορούν να βελτιώσουν αισθητά μια πρόβλεψη διαρροής πελατών.

Μηχανική μάθηση
Προετοιμασία δεδομένων
+1