tgoop.com/ds_interview_lib/527
Last Update:
Для чего может быть нужно снижение размерности?
Поскольку в многомерном пространстве каждый признак представляет собой одно из измерений, снижение размерности можно трактовать как уменьшение числа признаков. Для чего нам может пригодиться такое упрощение?
▪️Сокращение времени обучения.
С меньшим количеством признаков модель обучается быстрее, так как ей нужно обрабатывать меньше данных.
▪️Улучшение интерпретируемости.
Упрощённая модель с меньшим числом признаков легче поддаётся интерпретации. Это помогает лучше понять, какие именно признаки вносят основной вклад в предсказания модели.
▪️Повышение эффективности модели.
Наличие в наборе данных признаков избыточных, неинформативных или слабо информативных может понизить эффективность модели.
▪️Уменьшение вероятности переобучения.
Меньшее количество признаков снижает вероятность того, что модель будет слишком хорошо подстраиваться под тренировочные данные.
#машинное_обучение
BY Библиотека собеса по Data Science | вопросы с собеседований
Share with your friend now:
tgoop.com/ds_interview_lib/527