Onbewaakte functieselectie met lokale intrinsieke dimensionaliteit
Een nieuwe methode genaamd LIDFS selecteert functies in datasets zonder dat hier labels voor nodig zijn. De techniek maakt gebruik van lokale intrinsieke dimensionaliteit om de efficiëntie van leeralgoritmen te verbeteren.
Bij het analyseren van grote datasets met veel variabelen kan de hoeveelheid informatie de efficiëntie en effectiviteit van algoritmen nadelig beïnvloeden. Vaak zijn er geen vooraf gedefinieerde labels beschikbaar om sturing te geven aan het verkleinen van het aantal variabelen. Een nieuwe methode biedt nu een oplossing door te kijken naar de lokale intrinsieke dimensionaliteit van de gegevens.
Door de datamatrix om te draaien, kan de methode elke functie behandelen als een afzonderlijk punt waarvan de dimensionaliteit wordt geschat. Dit soort wiskundige technieken zijn van belang in de statistische data-analyse en machine learning, waar het reduceren van complexiteit zonder menselijke sturing helpt om patronen effectiever te verwerken.
Deze samenvatting is gebaseerd op een origineel artikel van arXiv (cs.LG). Lees het volledige, originele bericht bij de bron.
Lees het originele artikel