Python Data Science

Rozdział 46. Dogłębne spojrzenie — manifold learning

W poprzednim rozdziale pokazałem Ci, jak za pomocą algorytmu PCA przeprowadzić redukcję wymiarowości, czyli zmniejszyć liczbę cech występujących w zbiorze danych przy jednoczesnym zachowaniu podstawowych relacji między punktami. Chociaż PCA to szybka i elastyczna metoda dająca dobrze interpretowalne wyniki, metoda ta nie działa tak dobrze, gdy w danych występują zależności nieliniowe, których przykłady wkrótce zobaczysz.

W ich przypadku możemy wykorzystać algorytmy z grupy manifold learning. Jest to klasa metod uczenia nienadzorowanego, które próbują opisać zbiory danych za pomocą niskowymiarowych rozmaitości (ang. manifold) leżących w przestrzeniach wielowymiarowych. Rozmaitość możesz traktować ...