کاهش ابعاد در پایتون

مجموعه داده‌های با ابعاد بالا می‌توانند بسیار زیاد باشند و شما را ندانید از کجا شروع کنید. به طور معمول، ابتدا یک مجموعه داده جدید را به صورت بصری کاوش می‌کنید، اما وقتی ابعاد بسیار زیادی دارید، رویکردهای کلاسیک ناکافی به نظر می‌رسند. خوشبختانه، تکنیک های تجسم به طور خاص برای داده های با ابعاد بالا طراحی شده است و در این دوره با آنها آشنا می شوید. پس از کاوش در داده‌ها، اغلب متوجه می‌شوید که بسیاری از ویژگی‌ها اطلاعات کمی دارند، زیرا هیچ گونه واریسی را نشان نمی‌دهند یا به این دلیل که تکراری از ویژگی‌های دیگر هستند. شما یاد خواهید گرفت که چگونه این ویژگی ها را شناسایی کرده و آنها را از مجموعه داده حذف کنید تا بتوانید روی موارد آموزنده تمرکز کنید. در مرحله بعدی، ممکن است بخواهید یک مدل بر روی این ویژگی ها بسازید، و ممکن است معلوم شود که برخی از آنها هیچ تاثیری بر چیزی که می خواهید پیش بینی کنید ندارد. شما یاد خواهید گرفت که چگونه این ویژگی های نامربوط را نیز شناسایی و حذف کنید تا ابعاد و در نتیجه پیچیدگی را کاهش دهید. در نهایت، می‌آموزید که چگونه تکنیک‌های استخراج ویژگی می‌توانند ابعاد را برای شما از طریق محاسبه مؤلفه‌های اصلی ناهمبسته کاهش دهند.