http://neerc.ifmo.ru/wiki/api.php?action=feedcontributions&feedformat=atom&user=93.189.203.9&* 2026-05-21T00:19:11Z Вклад участника MediaWiki 1.30.0 http://neerc.ifmo.ru/wiki/index.php?title=%D0%A3%D0%BC%D0%B5%D0%BD%D1%8C%D1%88%D0%B5%D0%BD%D0%B8%D0%B5_%D1%80%D0%B0%D0%B7%D0%BC%D0%B5%D1%80%D0%BD%D0%BE%D1%81%D1%82%D0%B8&diff=68099 2018-12-29T12:34:02Z

<p>93.189.203.9: </p> <hr /> <div>Под '''уменьшением размерности''' (англ. dimensionality reduction) в машинном обучении подразумевается уменьшение числа признаков датасета. Наличие в нем признаков избыточных, неинформативных или слабо информативных может понизить эффективность модели, а после такого преобразования она упрощается, и соответственно уменьшается размер набора данных в памяти и ускоряется работа алгоритмов ML на нем. Уменьшение размерности может быть осуществлено методами отбора признаков (англ. feature selection) или выделения признаков (англ. feature extraction).<br /> ==Feature selection==<br /> Методы feature selection оставляют некоторое подмножество исходного набора признаков, избавляясь от признаков избыточных и слабо информативных. Основные преимущества этого класса алгоритмов:<br /> *Уменьшение вероятности переобучения<br /> *Увеличение точности предсказания модели<br /> *Сокращение времени обучения<br /> *Увеличивается семантическое понимание модели<br /> ===Filters===<br /> ===Wrappers===<br /> ===Embedded===<br /> ===Hybrid===<br /> ===Ensemble===<br /> ===Примеры кода scikit-learn===<br /> ==Feature extraction==<br /> ===Linear===<br /> ===Nonlinear===<br /> ===Примеры кода scikit-learn===<br /> ==См. также==<br /> ==Примечания==<br /> ==Источники информации==</div>

93.189.203.9