6.5. Бессобытийное снижение размерности
Если число признаков велико, может быть полезно уменьшить его с помощью бессобытийного шага перед контролируемыми шагами. Многие методы Бессобытийного обучения реализуют метод transform, который можно использовать для уменьшения размерности. Ниже мы обсудим два конкретных примера такого подхода, которые широко используются.
6.5.1. PCA: анализ главных компонент
decomposition.PCA ищет комбинацию признаков, хорошо описывающую дисперсию исходных признаков. См. Разложение сигналов на компоненты (задачи матричного разложения).
Примеры
6.5.2. Случайные проекции
Модуль: random_projection предоставляет несколько инструментов для уменьшения размерности данных с помощью случайных проекций. См. соответствующий раздел документации: Случайная проекция.
Примеры
6.5.3. Агломерация признаков
cluster.FeatureAgglomeration применяет Иерархическое кластеризацию для объединения признаков, которые ведут себя схожим образом.
Примеры
© 2007–2025 The scikit-learn developers
Licensed under the 3-clause BSD License.
https://scikit-learn.org/1.6/modules/unsupervised_reduction.html
