or
Это упражнение является частью курса
Вы познакомитесь с концепцией снижения размерности и узнаете, когда и почему это важно. Вы поймёте разницу между отбором признаков и их извлечением, а также примените оба подхода для исследования данных. Глава завершается уроком о методе t-SNE — мощной технике извлечения признаков, которая позволяет визуализировать многомерные наборы данных.
Текущее упражнение
В первой из двух глав, посвящённых отбору признаков, вы узнаете о проклятии размерности и о том, как снижение размерности помогает с ним справиться. Вы познакомитесь с рядом методов обнаружения и удаления признаков, которые почти не добавляют ценности набору данных: из-за низкой вариативности, большого числа пропущенных значений или сильной корреляции с другими признаками.
Во второй главе об отборе признаков вы узнаете, как использовать модели для поиска наиболее важных признаков в наборе данных при предсказании целевого признака. В финальном уроке главы вы объедините рекомендации нескольких различных моделей, чтобы решить, какие признаки стоит сохранить.
Эта глава — детальное погружение в метод снижения размерности, который используется чаще всего: метод главных компонент (PCA). Вы сформируете интуитивное понимание того, как и почему этот алгоритм столь эффективен, и примените его как для исследования данных, так и для их предобработки в конвейере моделирования. В завершение вас ждёт увлекательный практический пример — сжатие изображений.