Please enable JavaScript.
Coggle requires JavaScript to display documents.
Manifold Learning y Reducción de Dimensionalidad - Coggle Diagram
Manifold Learning y Reducción de Dimensionalidad
Usos principales
Reducción de dimensionalidad
Visualización de datos de alta dimensión
Filtrado de ruido
Selección de características.
Ventajas y desventajas
Ventajas
Algoritmo versátil
Flexible
Rápido
Fácilmente interpretable
Desventajas
Se ve altamente afectado por valores atípicos (outliers)
No funciona bien cuando existen relaciones no lineales dentro de los datos.
Introducción al Manifold Learning
Definición
Clase de estimadores de aprendizaje no supervisado
Caracterizar datasets de múltiples dimensiones a través de subespacios reducidos
PCA (Análisis de componentes principales)
Definición fundamental
Aprendizaje no supervisado
Rápido, fácil de interpretar y flexible
Reducción de dimensionalidad lineal
No ofrece buenos resultados cuando no hay relación lineal entre datos
Mecanismos de acción
Identifica relaciones
Retiene máxima varianza
Proyecta a menor dimensión
Propósitos multidimensionales
Visualización de datos en 2D Y 3D
Filtrado de ruido
Extracción de caracteristicas
SVM (Máquinas de vectores de soporte)
Definición
Enfoque discriminativo
El concepto de margen máximo
Fronteras no lineales