Apuntes exposición

Monday, February 14, 2022 6:21 AM

El segundo método de reducción de la dimensionalidad son los no lineales

El método de transformación no lineal o también llamado método de aprendizaje múltiple

Se utiliza cuando los datos no se encuentran en un espacio lineal

Hipótesis---> En una estructura de alta dimensión la info más relevante se concentra en un

pequeño número de colectores de baja dimensión

Si un subespacio lineal es una hoja de papel plana, entonces una hoja de papel enrollada es un
ejemplo simple de un colector no lineal.

Este método de transformación cuenta con varios métodos de aprendizaje, entre los más
populares se encuentran estos 6.

Escala multidimensional (MDS)

Una técnica utilizada para analizar la similitud o disimilitud de los datos como distancias en un
espacio geométrico ( la distancia euclidiana).

utilizadas habitualmente en marketing y ciencias sociales para la visualización y exploración de

datos

Tomar preferencias y percepciones de los encuestados y representarlos en un diagrama visual.

Estos diagramas, llamados mapas perceptuales tienen generalmente dos dimensiones, pero
pueden representarse en más de dos.

Los consumidores potenciales tienen que comparar pares de productos y hacer juicios sobre sus
similitudes

Topicos Especiales Page 1

No es necesaria una lista de atributos que debe ser mostrada a los encuestados.
Las dimensiones resultantes vienen de los juicios de los encuestados sobre pares de productos.
Gracias a estas ventajas, MDS es la técnica más comúnmente utilizada en mapeado perceptual.

Mapeo de características isométricas (Isomap)

Proyecta los datos a una dimensión inferior al tiempo que preserva la distancia geodésica, en lugar
de la distancia euclidiana como en el MDS. La distancia geodésica es la distancia más corta entre
dos puntos de una curva.

busca un sub-espacio que preserve mejor las distancias geodésicas entre dos puntos de datos

Incrustación localmente lineal (LLE)

Recupera la estructura global no lineal de los ajustes lineales. Cada parche local del colector puede
escribirse como una suma lineal y ponderada de sus vecinos con datos suficientes.

se enfocan en la preservación de las estructuras de las vecindades locales

es un enfoque de aprendizaje no lineal para generar representaciones de preservación de vecinos

de baja dimensión a partir de entradas de gran dimensión (sin etiqueta).

reconstruir los datos originales de alta dimensión usando puntos de menor dimensión
manteniendo algunas propiedades geométricas de los vecindarios en el conjunto de datos original.

Mapas Hessien (HLLE)

Proyecto los datos a una dimensión más baja mientras preserva el vecindario local como LLE, pero
utiliza el operador Hessian para lograr mejorar este resultado y de ahí el nombre.

Incrustación espectral (Mapas laplacianos)

Utiliza técnicas espectrales para realizar la reducción de la dimensionalidad mediante el mapeo de

entradas cercanas a salidas cercanas. Preserva la localidad más que la linealidad local.

Incrustación de vecinos estocásticos distribuidos en t (t-SNE)

Calcula la probabilidad de que pares de puntos de datos en el espacio de alta dimensión estén
relacionados y luego
elige una inserción de baja dimensión que produce una distribución similar.

La reducción de dimensionalidad no es necesaria hacerlo en cada uno de los proyectos que

trabajamos, todo dependerá la situación.

Topicos Especiales Page 2