Изменения
Нет описания правки
Под '''уменьшением размерности''' (англ. dimensionality reduction) в машинном обучении подразумевается уменьшение числа признаков датасета. Данное преобразование осуществляется 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 и ) или выделения признаков (англ. feature extraction).==Преимущества уменьшения числа признаков==
==Feature selection==
Методы feature selection оставляют некоторое подмножество исходного набора признаков, избавляясь от признаков избыточных и слабо информативных. Основные преимущества этого класса алгоритмов:
*Уменьшение вероятности переобучения
*Увеличение точности предсказания модели
*Сокращение времени обучения
*Увеличивается семантическое понимание модели
===Filters===
===Wrappers===
===Embedded===
===Hybrid===
===Ensemble===
===Примеры кода scikit-learn===
==Feature extraction==
===Linear===
===Nonlinear===
===Примеры кода scikit-learn===
==См. также==
==Примечания==
==Источники информации==
