کاهش غیرخطی ابعاد

از ویکی‌پدیا، دانشنامهٔ آزاد
پرش به: ناوبری، جستجو
:بالا - چپ :یک مجموعه ی ۳ بعدی از داده ها در یک نوار مارپیچی با یک سوراخ مستطیلی در وسط. بالاـ راست: خمینه‌ی ۲بعدی استفاده شده برای تولید این داده‌ها . پایین: بازیابی ۲ بعدی داده‌ها به روش LLE و Hessian LLE (راست)

تفسیر داده‌های دارای ابعاد بالا ٬ یعنی داده‌هایی که نیاز به بیش از ۲ یا ۳ بعد برای نمایش داده‌شدن دارند٬ دشوار است. یک راه برای ساده‌سازی این است که فرض کنیم داده‌ها روی یک خمینه غیرخطی نهفته در فضای مورد نظر قرار دارند. اگر بعد خمینه به مقدار کافی کم باشد٬ داده‌ها را می‌توان در این فضای با ابعاد پایین‌تر نشان داد.

بسیاری از الگوریتم‌های کاهش غیرخطی ابعاد با روش‌های خطی زیر ارتباط دارند:

روش‌های غیرخطی را می‌توان به دو دسته عمده تقسیم کرد:

آن‌هایی که یک نگاشت (از فضای با ابعاد بالاتر به خمینه‌ی نهفته با ابعاد پایین‌تر با برعکس )(mapping)هستند ٬ و آن‌هایی که تنها یک نمایش از داده‌ها ارائه می‌کنند.در زمینه‌ی یادگیری ماشینی ٬ روش‌های نگاشت به عنوان مرحله ی استخراج ویژگی ٬ پیش از اعمال الگوریتم‌های شناسایی الگو استفاده می‌شوند. آن‌هایی که یک نمایش از داده‌ها ارائه می‌کنند ٬ بر اساس داده‌های مجاورت ـ فاصله بین نقاط) ـ هستند.

مطالعه بیشتر[ویرایش]

  • Nonlinear Dimensionality Reduction. Springer، 2007. 

پیوند به بیرون[ویرایش]

منابع[ویرایش]

  • مشارکت‌کنندگان ویکی‌پدیا، «Nonlinear dimensionality Reduction»، ویکی‌پدیای انگلیسی، دانشنامهٔ آزاد (بازیابی در ۲۰ اردیبهشت ۱۳۹۲).