La réduction de la dimensionnalité des données et l'extraction de caractéristiques sont des techniques couramment utilisées dans le prétraitement des données. Elles visent à réduire la dimensionnalité des données pour améliorer les performances du modèle ou réduire la complexité de calcul. Cependant, leurs objectifs et leurs approches diffèrent légèrement :
-
Réduction de la dimensionnalité des données :
-
Objectif : Le but de la réduction de la dimensionnalité des données est de réduire les dimensions caractéristiques des données tout en conservant autant d'informations originales que possible afin que les données puissent être traitées et analysées plus efficacement.
-
Méthodes : Les méthodes de réduction de dimensionnalité des données couramment utilisées incluent l'analyse en composantes principales (ACP), l'analyse discriminante linéaire (LDA), etc. La PCA tente de trouver les directions les plus dominantes (composantes principales) dans les données pour représenter les données, projetant ainsi les données dans un espace de faible dimension. LDA est une méthode de réduction de dimensionnalité par apprentissage supervisé qui prend en compte les informations sur les catégories et mappe les données sur un espace de faible dimension permettant de mieux distinguer les différentes catégories.
-
Scénarios applicables : La réduction de la dimensionnalité des données convient lorsque les données ont des dimensions élevées mais des informations redondantes. Elle peut aider à réduire le coût des ressources informatiques, à améliorer l'efficacité de la formation du modèle et à réduire le risque de surajustement du modèle.
-
-
Extraction de fonctionnalités :
-
Objectif : L'extraction de fonctionnalités consiste à trouver des fonctionnalités plus discriminantes en transformant les données d'origine en un nouvel espace de fonctionnalités pour la modélisation et la prédiction.
-
Méthode : les méthodes d'extraction de fonctionnalités couramment utilisées incluentBasé sur des statistiquesméthodes (telles que moyenne, variance, coefficient de corrélation, etc.),Basé sur le domaine fréquentielméthodes (telles que la transformée de Fourier, etc.),Basé sur la théorie de l'informationméthodes (telles que l'information mutuelle, le gain d'informations, etc.), etc.
-
Scénarios applicables : l'extraction de fonctionnalités est généralement utilisée lorsque les fonctionnalités d'origine contiennent beaucoup de bruit ou d'informations redondantes, et l'on espère filtrer les fonctionnalités plus utiles pour la tâche cible.
-
Résumé des différences :
- Le but de la réduction de la dimensionnalité des données est de réduire les dimensions des données afin de réduire la complexité informatique ou de faciliter la visualisation tout en conservant autant d'informations que possible.
- Le but de l'extraction de fonctionnalités est d'extraire les fonctionnalités plus significatives ou plus discriminantes pour la tâche à partir des fonctionnalités d'origine afin d'améliorer les performances du modèle.
Les deux techniques sont souvent utilisées ensemble dans des tâches réelles afin de mieux préparer les données pour la modélisation et l'analyse.
Processus classique de prétraitement des données
