8.5. Снижение размерности без учителя
Если у вас много признаков, может быть полезно уменьшить их количество с помощью шага без учителя перед шагами с учителем. Многие методы обучения без учителя реализуют метод transform, который можно использовать для снижения размерности. Ниже мы рассмотрим два конкретных примера этого широко используемого подхода.
8.5.1. PCA: метод главных компонент
decomposition.PCA ищет комбинацию признаков, которая хорошо описывает дисперсию исходных признаков. См. раздел Разложение сигналов на компоненты (задачи матричной факторизации).
Примеры
8.5.2. Случайные проекции
Модуль random_projection предоставляет несколько инструментов для снижения размерности данных с помощью случайных проекций. См. соответствующий раздел документации: Случайная проекция.
Примеры
8.5.3. Агломерация признаков
cluster.FeatureAgglomeration применяет иерархическую кластеризацию, чтобы объединить признаки, которые ведут себя схожим образом.
Примеры
© 2007–2026 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.9/modules/unsupervised_reduction.html
