کاهش ابعاد در Python

مجموعه داده‌ با ابعاد بالا می‌توانند طاقت‌فرسا باشند و باعث شوند ندانید کار را از کجا شروع کنید. معمولاً، شما ابتدا یک مجموعه داده جدید را به صورت بصری بررسی می‌کنید، اما زمانی که ابعاد خیلی زیاد باشند، رویکردهای کلاسیک ناکافی به نظر می‌رسند. خوشبختانه، تکنیک‌های تصویرسازی خاصی برای داده‌ با ابعاد بالا طراحی شده‌اند و در این دوره با آن‌ها آشنا خواهید شد. پس از بررسی داده، اغلب متوجه می‌شوید که بسیاری از ویژگی‌ها اطلاعات کمی دارند، زیرا واریانسی نشان نمی‌دهند یا تکراری از سایر ویژگی‌ها هستند. یاد خواهید گرفت که چگونه این ویژگی‌ها را شناسایی کرده و آن‌ها را از مجموعه داده حذف کنید تا بتوانید روی ویژگی‌های حاوی اطلاعات تمرکز کنید.

در مرحله بعد، ممکن است بخواهید مدلی بر اساس این ویژگی‌ها بسازید و ممکن است مشخص شود که برخی از آن‌ها هیچ تأثیری بر چیزی که می‌خواهید پیش‌بینی کنید، ندارند. شما یاد خواهید گرفت که چگونه این ویژگی‌های نامرتبط را نیز شناسایی و حذف کنید تا ابعاد و در نتیجه پیچیدگی را کاهش دهید. در نهایت، خواهید آموخت که چگونه تکنیک‌های استخراج ویژگی می‌توانند از طریق محاسبه مؤلفه‌های اصلی ناهمبسته، ابعاد را برای شما کاهش دهند.