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.
Lihat juga
Referensi
- 1 2 van der Maaten, Laurens; Postma, Eric; van den Herik, Jaap (Oktober 26, 2009). "Dimensionality Reduction: A Comparative Review" (PDF). J Mach Learn Res. 10: 66–71.
{{cite journal}}: Pemeliharaan CS1: Tanggal diterjemahkan otomatis (link) - ↑ 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.
