Documentos de Académico
Documentos de Profesional
Documentos de Cultura
∈ ℜ2 ∈ℜ
x (1)
∈ ℜ2 ∈ℜ
x (2)
∈ ℜ2 ∈ℜ
z (1)
x (i) ∈ ℜ 3 z (i) ∈ ℜ 2
z2
z1
T
z (i) = z1(i) z2(i)
1. Comprimir datos →menos memoria, menos procesamiento →+ rápido
2. Reducir redundancia
x (i) ∈ ℜ 50
x1 x2 x3 x5
x4
z (i) ∈ ℜ 2
50 dim → 2D
SING
USA
z2
z1
error>
error>error
K = 1 (dim. red)
u (1) ∈ ℜ 2 u (2) ∈ ℜ 3
u (1) ∈ ℜ 3
PCA
No supervisado
Supervisado
Linear Regression
No existe y
xj(i) - 𝜇j
xj(i) ⇽
sj
u (1)
x (1)
z (1)
n⨯1 1⨯n
Ureduce
k<n
x ∈ ℜ → z ∈ ℜk
n
T
z (i) = u (1) u (2) ... u (k) x (i)
k×1 n×1
Ureduce n×k
x (i) → z (i) → xapprox
(i)
Alta dimensionalidad
(1)
xapprox
x (1)
z ∈ ℜ → x ∈ ℜ2
(i)
xapprox = Ureduce z (i)
Baja dimensionalidad
z (1)
m
1 ∑ (i) (i)
||x - xapprox || 2
m m i=1
1 ∑ (i) 2
||x ||
m i=1
5%
10%
95%
k=2 k=3
Matriz de covarianza de z (i)
PCA descorrelaciona (eliminar redundan
fx S11 0 0 0 0
0 S22 0 0 0
S= 0 0 S33 0 0
0 0 0 ⋱ 0
0 0 0 0 Snn
∑ k Sii
i=1
⩾ 0.95 → 95% varianza retenid
∑ n Sii
i=1
n
0.95