Glossário

Redução de dimensionalidade

O que é Redução de dimensionalidade?

A redução de dimensionalidade diminui o número de características de um conjunto de dados sem perder a informação essencial. Entre os métodos mais conhecidos estão a análise de componentes principais (PCA), bem como o t-SNE e o UMAP, frequentemente usados para visualização. Acelera os cálculos, reduz o risco de sobreajuste e torna os dados mais fáceis de compreender – por exemplo, quando centenas de atributos de clientes são projetados num gráfico bidimensional em que clientes semelhantes ficam próximos uns dos outros.

Temas

análise de dados
PCA
características

Experimentar o KI.ordo

Agentes, fluxos e modelos num só espaço de trabalho – demonstração gratuita de 24 horas.

Iniciar demonstração

← Todos os termos

Termos relacionados

Extração de características

A extração de características é o processo de obter valores relevantes a partir de dados em bruto, para que um modelo os possa processar com eficiência. Em vez de milhões de píxeis individuais, um sistema pode utilizar arestas, cores ou formas; os textos são convertidos em ponderações de palavras ou em vetores de embedding. Boas características reduzem o volume de dados, diminuem o esforço de cálculo e, muitas vezes, melhoram a exatidão. A extração de características é uma parte essencial da engenharia de características.

preparação de dados
engenharia de características
+1

Clustering

O clustering é um método de aprendizagem não supervisionada que divide pontos de dados em grupos com base na sua semelhança, sem categorias predefinidas. Revela padrões que ninguém tinha identificado antes – por exemplo, segmentos de clientes com comportamentos de compra semelhantes. Com textos, o clustering ajuda a organizar centenas de pedidos de clientes por temas como entrega, faturação ou reclamações e mostra onde está o foco.

aprendizagem não supervisionada
agrupamento
+1

Modelo

Overfitting

O sobreajuste (overfitting) ocorre quando um modelo memoriza os dados de treino, incluindo particularidades aleatórias e ruído, em vez de captar padrões de validade geral. Parece então muito exato com os dados conhecidos, mas tem um mau desempenho com dados novos. Uma grande diferença entre o erro de treino e o erro de teste é um sinal típico. Entre as contramedidas contam-se mais dados ou dados mais variados, modelos mais simples, regularização, dropout e validação cruzada.

qualidade do modelo
treino
+1

Engenharia e extração de características

A engenharia de características consiste em selecionar, transformar e criar atributos (características) a partir de dados em bruto, para que um algoritmo de aprendizagem consiga detetar padrões com mais facilidade. A extração de características obtém valores compactos e significativos a partir de dados complexos, como texto, imagens ou sinais. Exemplo: registos de compras individuais são transformados em características como "dias desde a última compra" ou "valor médio da encomenda", o que pode melhorar de forma notória uma previsão de abandono de clientes.

Aprendizagem automática
Preparação de dados
+1