Dimensionality Reduction Methods: Comparative Analysis of methods PCA, PPCA and KPCA
| Autor: | Jorge Arroyo-Hernández |
|---|---|
| Jazyk: | Spanish; Castilian |
| Rok vydání: | 2016 |
| Předmět: |
021103 operations research
General Computer Science Computer science General Mathematics Dimensionality reduction 0211 other engineering and technologies General Physics and Astronomy General Social Sciences problema de la preimagen 02 engineering and technology General Chemistry Linear subspace nube de datos General Biochemistry Genetics and Molecular Biology Body contour Reducción de dimensionalidad Set (abstract data type) General Earth and Planetary Sciences Lower cost lcsh:Q General Agricultural and Biological Sciences lcsh:Science lcsh:Science (General) Algorithm lcsh:Q1-390 |
| Zdroj: | Uniciencia, Vol 30, Iss 1, Pp 115-122 (2016) Uniciencia; Vol 30 No 1 (2016): Uniciencia. Enero-Junio, 2016; 115-122 Uniciencia; Vol. 30 Núm. 1 (2016): Uniciencia. Enero-Junio, 2016; 115-122 Uniciencia; v. 30 n. 1 (2016): Uniciencia. Enero-Junio, 2016; 115-122 Portal de Revistas UNA Universidad Nacional de Costa Rica instacron:UNA |
| ISSN: | 2215-3470 |
| Popis: | Los métodos de reducción de dimensionalidad son algoritmos que mapean el conjunto de los datos a subespacios derivados del espacio original, de menor dimensión, que permiten hacer una descripción de los datos a un menor costo. Por su importancia, son ampliamente usados en procesos asociados a aprendizaje de máquina. Este artículo presenta un análisis comparativo sobre los métodos de reducción de dimensionalidad: ACP, ACPP y ACPK. Se realizó un experimento de reconstrucción de los datos de formas vermes, por medio de estructuras de hitos ubicados en el contorno de su cuerpo, con los métodos con distinto número de componentes principales. Los resultados evidenciaron que todos los métodos pueden verse como procesos alternativos. Sin embargo, por el potencial de análisis en el espacio de características y por el método del cálculo de su preimagen presentado, el ACPK muestra un mejor método para el proceso de reconocimiento y extracción de patrones The dimensionality reduction methods are algorithms mapping the set of data in subspaces derived from the original space, of fewer dimensions, that allow a description of the data at a lower cost. Due to their importance, they are widely used in processes associated with learning machine. This article presents a comparative analysis of PCA, PPCA and KPCA dimensionality reduction methods. A reconstruction experiment of worm-shape data was performed through structures of landmarks located in the body contour, with methods having different number of main components. The results showed that all methods can be seen as alternative processes. Nevertheless, thanks to the potential for analysis in the features space and the method for calculation of its preimage presented, KPCA offers a better method for recognition process and pattern extraction |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|