Séance de cours

Réduction de la dimensionnalité: PCA & LDA

Description

Cette séance de cours couvre les concepts d'analyse en composantes principales (PCA) et d'analyse discriminante linéaire (LDA) pour la réduction de la dimensionnalité. En commençant par l'intuition derrière PCA, il explique comment PCA vise à conserver un signal important tout en éliminant le bruit. La séance de cours se penche ensuite sur les détails mathématiques de la PCA, y compris la maximisation de la variance et les problèmes de vecteurs propres. Passant à LDA, il discute de l'objectif de regrouper des échantillons de la même classe et de séparer différentes classes. La séance de cours se termine par une comparaison du Kernel PCA et du PCA traditionnel, soulignant les avantages du Kernel PCA pour les données non linéaires. En outre, il introduit l'intégration de voisins stochastiques distribués en t (t-SNE) en tant que technique populaire pour visualiser des données de grande dimension.

À propos de ce résultat
Cette page est générée automatiquement et peut contenir des informations qui ne sont pas correctes, complètes, à jour ou pertinentes par rapport à votre recherche. Il en va de même pour toutes les autres pages de ce site. Veillez à vérifier les informations auprès des sources officielles de l'EPFL.

Graph Chatbot

Chattez avec Graph Search

Posez n’importe quelle question sur les cours, conférences, exercices, recherches, actualités, etc. de l’EPFL ou essayez les exemples de questions ci-dessous.

AVERTISSEMENT : Le chatbot Graph n'est pas programmé pour fournir des réponses explicites ou catégoriques à vos questions. Il transforme plutôt vos questions en demandes API qui sont distribuées aux différents services informatiques officiellement administrés par l'EPFL. Son but est uniquement de collecter et de recommander des références pertinentes à des contenus que vous pouvez explorer pour vous aider à répondre à vos questions.