33 lines
2.4 KiB
Markdown
33 lines
2.4 KiB
Markdown
---
|
|
title: Dimension Reduction
|
|
localeTitle: خفض البعد
|
|
---
|
|
## خفض البعد
|
|
|
|
يمكن أن يكون التعامل مع الكثير من الأبعاد مؤلمًا لخوارزميات التعلم الآلي. سيزيد البعد العالي من التعقيد الحسابي ، ويزيد من خطر الإطعام (حيث أن الخوارزمية لديك أكثر درجات الحرية) وسيزداد تفاوت البيانات. ومن ثم ، فإن تقليل الأبعاد سيعرض البيانات في فضاء ذي بعد أقل للحد من هذه الظواهر.
|
|
|
|
## لماذا يعتبر تقليل الأبعاد مفيدًا؟
|
|
|
|
* وكثيرا ما يستخدم الإسقاط في بعدين لتسهيل تصور مجموعات البيانات عالية الأبعاد.
|
|
|
|
* عندما يمكن إعطاء الأبعاد لتفسير ذي مغزى ، يمكن استخدام الإسقاط على هذا البعد لشرح بعض السلوكيات.
|
|
|
|
* في حالة التعلم تحت الإشراف ، يمكن استخدام تقليل الأبعاد لتقليل بُعد الميزات ، مما قد يؤدي إلى أداء أفضل لخوارزمية التعلم.
|
|
|
|
|
|
## تقنيات تقليل الأبعاد
|
|
|
|
* تحليل التمييز الخطي [LDA](http://scikit-learn.org/stable/modules/lda_qda.html)
|
|
* تحليل المكونات الرئيسية [PCA](http://setosa.io/ev/principal-component-analysis/)
|
|
* نواة PCA
|
|
* النواة القائمة على الرسوم البيانية PCA
|
|
* t-Distributed Stochastic neighbourhood Embedding [t-SNE](https://lvdmaaten.github.io/tsne/)
|
|
* [الترميز السيارات](https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe)
|
|
* تحليل التمييز العام (GDA)
|
|
* autoencoders
|
|
|
|
#### معلومات اكثر:
|
|
|
|
* [خطوة بخطوة تعليمي لتحليل المكونات الرئيسية](https://plot.ly/ipython-notebooks/principal-component-analysis/#introduction)
|
|
* [تقنيات تقليل الأبعاد](https://medium.com/towards-data-science/reducing-dimensionality-from-dimensionality-reduction-techniques-f658aec24dfe)
|
|
* [تقنيات الحد من أبعاد: أين تبدأ](https://blog.treasuredata.com/blog/2016/03/25/dimensionality-reduction-techniques-where-to-begin) |