Na técnica de redução de dimensionalidade, como Análise de Componentes Principais, LDA etc, geralmente o termo coletor é usado. O que é um coletor em termos não técnicos? Se um ponto pertencer a uma esfera cuja dimensão eu quero reduzir, e se houver um ruído e e não estiverem correlacionados, os...
Estou tentando entender as diferenças entre os métodos de redução de dimensionalidade linear (por exemplo, PCA) e os não lineares (por exemplo, Isomap). Não consigo entender direito o que a (não) linearidade implica nesse contexto. Eu li na Wikipedia que Por comparação, se o PCA (um algoritmo...
Estou tentando descobrir o que a suposição múltipla significa na aprendizagem semi-supervisionada. Alguém pode explicar de uma maneira simples? Não consigo entender a intuição por trás disso. Ele diz que seus dados estão em um coletor de baixa dimensão incorporado em um espaço de maior dimensão....
Quais são as maneiras de escolher qual kernel resultaria em boa separação de dados na saída final de dados pelo kernel PCA (análise de componentes principais) e quais são as maneiras de otimizar os parâmetros do kernel? Os termos de Layman, se possível, seriam muito apreciados, e links para...
Em este post , você pode ler a declaração: Os modelos são geralmente representados por pontos em uma variedade dimensional finita.θθ\theta Em Geometria Diferencial e Estatística, de Michael K Murray e John W Rice, esses conceitos são explicados em prosa legível, mesmo ignorando as expressões...
No aprendizado de máquina, geralmente é assumido que um conjunto de dados se baseia em uma variedade de baixa dimensão suave (a suposição de variedade), mas existe alguma maneira de provar que, assumindo que certas condições sejam satisfeitas, o conjunto de dados é realmente (aproximadamente)...
Qual é a diferença entre aprendizado múltiplo e redução de dimensionalidade não linear ? Eu já vi esses dois termos sendo usados de forma intercambiável. Por exemplo: http://www.cs.cornell.edu/~kilian/research/manifold/manifold.html : O aprendizado múltiplo (também conhecido como redução...
Pelo que entendi, existem três abordagens principais para a redução não linear da dimensionalidade: Aprendizagem múltipla (algoritmos geométricos / topológicos como ISOMAP, LLE, LTSA) Autoencoders coisas que não se encaixam nas duas primeiras categorias (t-SNE inspirado em probabilidade, Kernel...