Redução de Dimensões

Em implementação de aprendizado de máquina, normalmente tratamos com um volume de dados muito grande e a complexidade de qualquer classificador ou regressor depende do tamanho da entrada. Desta forma a complexidade de tempo e espaço tem relação direta com o número de exemplos de treinamento para o classificador ou regressor. Existem métodos que permitem selecionar os recursos, isto é, escolher um subconjunto de características importantes do resto, de forma que possamos tratar um volume menor de dados. Em métodos de projeção, estamos interessados ​​em encontrar um mapeamento das entradas no espaço n-dimensional original para um novo espaço k-dimensional (menor que n), com perda mínima de informação. Em álgebra linear, a decomposição em valores singulares ou singular value decomposition (SVD) é a fatoração de uma matriz real ou complexa que nos permite selecionar um subconjunto de vetores mantendo um valor grande da variação existente nos dados originais. É isto que veremos nos dois vídeos deste post.

Veja a sequência no segundo post.