Progetti di machine learning e scienza dei dati per la finanza

Capitolo 7. Apprendimento non supervisionato: Riduzione della dimensionalità

Questo lavoro è stato tradotto utilizzando l'AI. Siamo lieti di ricevere il tuo feedback e i tuoi commenti: [e-mail]

Nei capitoli precedenti, abbiamo utilizzato tecniche di apprendimento supervisionato per costruire modelli di apprendimento automatico utilizzando dati in cui la risposta era già nota (cioè, le etichette delle classi erano disponibili nei dati di input). Ora esploreremo l'apprendimento non supervisionato, in cui si traggono inferenze da insiemi di dati costituiti da dati di input quando la risposta è sconosciuta. Gli algoritmi di apprendimento non supervisionato cercano di dedurre modelli dai dati senza conoscere l'output che i dati devono produrre. Senza richiedere dati etichettati, che possono essere lunghi e poco pratici da creare o acquisire, questa famiglia di modelli consente di utilizzare facilmente set di dati più ampi per l'analisi e lo sviluppo di modelli.

Lariduzione della dimensionalità è una tecnica chiave dell'apprendimento non supervisionato. Essa comprime i dati trovando un insieme più piccolo e diverso di variabili che catturano ciò che conta di più nelle caratteristiche originali, riducendo al minimo la perdita di informazioni. La riduzione della dimensionalità aiuta a mitigare i problemi associati all'alta dimensionalità e permette di visualizzare gli aspetti salienti dei dati ad alta dimensionalità, altrimenti difficili da esplorare.

Nel contesto ...