Diferencia entre reducción de dimensionalidad y reducción de numerosidad

1. Reducción Dimensional:
Es una técnica utilizada para obtener una representación reducida o comprimida de datos originales. Se divide además en dos componentes:

  • Selección de funciones:
    es el proceso de eliminar las funciones irrelevantes o redundantes.
  • Extracción de características:
    es el proceso de transformar datos en características adecuadas para el modelado.

2. Reducción de numerosidad:
es una técnica de reducción de datos que se utiliza para reducir el volumen de datos mediante el uso de formas adecuadas de representación de datos. Estas técnicas pueden ser paramétricas o no paramétricas. Para los métodos paramétricos, se utiliza un modelo para estimar los datos, por lo que, por lo general, solo es necesario almacenar los parámetros de los datos, en lugar de los datos reales. Los métodos no paramétricos para almacenar representaciones reducidas de los datos incluyen histogramas, agrupación y muestreo.

Diferencia entre reducción de dimensionalidad y reducción de numerosidad:

Reducción de dimensionalidad Reducción de Numerosidad
En la reducción de dimensionalidad, la codificación de datos o las transformaciones de datos se aplican para obtener una forma reducida o comprimida de los datos originales. En la reducción de Numerosity, el volumen de datos se reduce eligiendo formas alternas adecuadas de representación de datos.
Se puede utilizar para eliminar atributos irrelevantes o redundantes. Es simplemente una técnica de representación de datos originales en forma más pequeña.
En este método, se pueden perder algunos datos que son irrelevantes. En este método, no hay pérdida de datos.
Los métodos para la reducción de la dimensionalidad son:

  1. Transformaciones wavelet.
  2. Análisis de componentes principales.
Los métodos para la reducción de la numerosidad son:

  1. Modelo de regresión o log-lineal (paramétrico).
  2. Histogramas, agrupamiento, muestreo (no paramétrico).
Los componentes de la reducción de dimensionalidad son la selección de características y la extracción de características. No tiene componentes sino métodos que aseguran la reducción del volumen de datos.
Conduce a menos datos engañosos y más precisión del modelo. Conserva la integridad de los datos y también reduce el volumen de datos.

Publicación traducida automáticamente

Artículo escrito por shreysingh3105 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *