Reduksi dimensi

Reduksi dimensionalitas atau reduksi dimensi adalah proses transformasi data dari ruang berdimensi tinggi ke ruang berdimensi rendah, dengan tujuan agar representasi berdimensi rendah tetap mempertahankan beberapa fitur penting dari data asli, idealnya mendekati dimensi intrinsiknya. Bekerja di ruang berdimensi tinggi sering kali tidak diinginkan karena beberapa alasan; data mentah sering kali bersifat jarang akibat kutukan dimensi, dan menganalisis data dengan sifat seperti itu biasanya sulit dikomputasi (susah dikendalikan atau ditangani). Reduksi dimensi umum terjadi pada bidang yang berhubungan dengan sejumlah besar observasi dan/atau sejumlah besar variabel, seperti pemrosesan sinyal, pengenalan suara, neuroinformatika, dan bioinformatika.^[1]

Metode ini umumnya dibagi menjadi pendekatan linier dan nonlinier^[1]yang juga dapat dibagi menjadi pemilihan fitur dan ekstraksi fitur.^[2] Reduksi dimensionalitas dapat digunakan untuk pengurangan noise, visualisasi data, analisis klaster, atau sebagai langkah perantara untuk memfasilitasi analisis lainnya.

• Dimensi
  

1. ^ ^{a b} van der Maaten, Laurens; Postma, Eric; van den Herik, Jaap (October 26, 2009). "Dimensionality Reduction: A Comparative Review" (PDF). J Mach Learn Res. 10: 66–71.
2. ^ Pudil, P.; Novovičová, J. (1998). "Novel Methods for Feature Subset Selection with Respect to Problem Knowledge". Dalam Liu, Huan; Motoda, Hiroshi (ed.). Feature Extraction, Construction and Selection. hlm. 101. doi:10.1007/978-1-4615-5725-8_7. ISBN 978-1-4613-7622-4.

• Edisi Khusus JMLR tentang Pemilihan Variabel dan Fitur
• PETA ELastic Diarsipkan 2011-07-20 di Wayback Machine. </link>
• Penanaman Linear Lokal
• Perbandingan Visual Berbagai Metode Reduksi Dimensionalitas
• Kerangka Geometri Global untuk Pengurangan Dimensionalitas Nonlinier