Glossario

Riduzione della dimensionalità

Che cos’è Riduzione della dimensionalità?

La riduzione della dimensionalità diminuisce il numero di caratteristiche di un insieme di dati senza perdere le informazioni essenziali. Metodi noti sono l'analisi delle componenti principali (PCA) e t-SNE e UMAP, spesso usati per la visualizzazione. Accelera i calcoli, riduce il rischio di overfitting e rende i dati più leggibili, ad esempio quando centinaia di attributi dei clienti vengono riportati su una mappa bidimensionale in cui i clienti simili sono vicini.

Temi

analisi dei dati
PCA
caratteristiche

Prova KI.ordo

Agenti, flussi e modelli in un’unica area di lavoro – demo gratuita di 24 ore.

Avvia demo

← Tutti i termini

Termini correlati

Estrazione delle caratteristiche

L’estrazione delle caratteristiche (feature extraction) consiste nel ricavare dai dati grezzi valori significativi che un modello possa elaborare in modo efficiente. Invece di milioni di singoli pixel, un sistema usa ad esempio bordi, colori o forme; dai testi si ottengono pesi delle parole o vettori di embedding. Buone caratteristiche riducono la quantità di dati, abbassano il carico di calcolo e spesso migliorano l’accuratezza. È una parte centrale del feature engineering.

preparazione dati
feature engineering
+1

Clustering

Il clustering è un metodo di apprendimento non supervisionato che suddivide i dati in gruppi in base alla loro somiglianza, senza categorie predefinite. Fa emergere schemi che nessuno aveva ancora individuato, ad esempio segmenti di clienti con comportamenti d'acquisto simili. Con i testi, il clustering aiuta a ordinare centinaia di richieste dei clienti per temi come consegna, fatturazione o reclami e a riconoscerne le priorità.

apprendimento non supervisionato
raggruppamento
+1

Modello

Overfitting

Si parla di overfitting (sovradattamento) quando un modello impara a memoria i dati di addestramento, compresi casualità e rumore, invece di cogliere schemi di validità generale. Sui dati noti sembra molto preciso, ma sui dati nuovi offre risultati scarsi. Un segnale tipico è un ampio divario tra errore di addestramento ed errore di test. Le contromisure sono più dati o dati più vari, modelli più semplici, regolarizzazione, dropout e convalida incrociata.

qualità del modello
addestramento
+1

Feature engineering ed estrazione delle feature

Il feature engineering consiste nel selezionare, trasformare e creare caratteristiche (feature) a partire dai dati grezzi, perché un algoritmo di apprendimento riconosca meglio gli schemi. L’estrazione delle feature ricava valori compatti e significativi da dati complessi come testi, immagini o segnali. Esempio: dai singoli acquisti nascono feature come «giorni dall’ultimo acquisto» o «valore medio dell’ordine», che possono migliorare sensibilmente una previsione di abbandono dei clienti.

Machine learning
Preparazione dei dati
+1