Recetario de Aprendizaje Automático con Python, 2ª Edición

Capítulo 9. Reducción de la dimensionalidad mediante la extracción de rasgos

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: [e-mail]

9.0 Introducción

Es común tener acceso a miles e incluso cientos de miles de características. Por ejemplo, en el Capítulo 8 transformamos una imagen en color de 256 × 256 píxeles en 196.608 características. Además, como cada uno de estos píxeles puede tomar uno de 256 valores posibles, nuestra observación puede adoptar^256196608 configuraciones diferentes. Muchos algoritmos de aprendizaje automático tienen problemas para aprender a partir de tales datos, porque nunca será práctico recoger suficientes observaciones para que los algoritmos funcionen correctamente. Incluso en conjuntos de datos más tabulares y estructurados, podemos acabar fácilmente con miles de características tras el proceso de ingeniería de características.

Afortunadamente, no todas las características son iguales, y el objetivo de la extracción de características para la reducción de la dimensionalidad es transformar nuestro conjunto de características, _poriginal, de modo que acabemos con un nuevo conjunto, _pnew, en el que _poriginal > _pnew, manteniendo gran parte de la información subyacente. Dicho de otro modo, reducimos el número de características con sólo una pequeña pérdida en la capacidad de nuestros datos para generar predicciones de alta calidad. En este capítulo trataremos una serie de técnicas de extracción ...