September 2024
Intermediate to advanced
416 pages
8h 43m
German
Content preview from Maschinelles Lernen mit Python Kochbuch, 2.
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.
Kapitel 9. Dimensionalitätsreduktion durch Merkmalsextraktion
Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: translation-feedback@oreilly.com
9.0 Einleitung
Es ist üblich, Zugang zu Tausenden oder sogar Hunderttausenden von Merkmalen zu haben. In Kapitel 8 haben wir zum Beispiel ein 256 × 256 Pixel großes Farbbild in 196.608 Merkmale umgewandelt. Da jedes dieser Pixel einen von 256 möglichen Werten annehmen kann, kann unsere Beobachtung außerdem256196608 verschiedene Konfigurationen annehmen. Viele Algorithmen für maschinelles Lernen haben Schwierigkeiten, aus solchen Daten zu lernen, weil es nie möglich sein wird, genügend Beobachtungen zu sammeln, damit die Algorithmen korrekt arbeiten können. Selbst bei eher tabellarischen, strukturierten Datensätzen können wir nach dem Feature-Engineering-Prozess leicht Tausende von Merkmalen erhalten.
Glücklicherweise sind nicht alle Merkmale gleich, und das Ziel der Merkmalsextraktion für die Dimensionalitätsreduktion besteht darin, unsere Merkmalsmenge poriginal so umzuwandeln, dass wir am Ende eine neue Menge pnew haben, bei der poriginal > pnew ist, wobei ein Großteil der zugrunde liegenden Informationen erhalten bleibt. Anders ausgedrückt: Wir reduzieren die Anzahl der Merkmale, ohne dass die Fähigkeit unserer Daten, hochwertige Vorhersagen zu treffen, darunter leidet. In diesem Kapitel werden wir eine Reihe von Techniken zur Merkmalsextraktion vorstellen, die genau dies ermöglichen. ...
Become an O’Reilly member and get unlimited access to this title plus top books and audiobooks from O’Reilly and nearly 200 top publishers, thousands of courses curated by job role, 150+ live events each month,
and much more.
Read now
Unlock full access
More than 5,000 organizations count on O’Reilly
O’Reilly covers everything we've got, with content to help us build a world-class technology community, upgrade the capabilities and competencies of our teams, and improve overall team performance as well as their engagement.Julian F.
I wanted to learn C and C++, but it didn't click for me until I picked up an O'Reilly book. When I went on the O’Reilly platform, I was astonished to find all the books there, plus live events and sandboxes so you could play around with the technology.Addison B.
I’ve been on the O’Reilly platform for more than eight years. I use a couple of learning platforms, but I'm on O'Reilly more than anybody else. When you're there, you start learning. I'm never disappointed.Amir M.
I'm always learning. So when I got on to O'Reilly, I was like a kid in a candy store. There are playlists. There are answers. There's on-demand training. It's worth its weight in gold, in terms of what it allows me to do.