Комментарии 5
Статья интересная, для тех, кто знаком с методами понижения размерности, но в ней очень мало информации для тех, кто не в теме.
Скажите, а вы ничего кроме PCA и RBM больше не использовали?
Скажите, а вы ничего кроме PCA и RBM больше не использовали?
Понижать размерности можно большим количеством методов, предлагаю ознакомиться с хорошим обзором. Там автоэнкодером может быть, как раз, RBM.
За статью спасибо, подробнее позже посмотрю, но на первый взгляд тут нет такого интересного метода как t-SNE. Может я невнимателен, а может просто специфика метода не позволяет его сравнивать с приведенными подходами.
Пробовал еще автоенкодер из сужающейся и расширяющейся сети прямого распространения, обучаемой бэкпропом, задача которой восстанавливать входной образ. Результаты на много хуже чем у рбм, да и обучается дольше. Еще тестил карты Кохонена, но они скорее для визуализации. А вообще методов конечно много, вон только в педивикии куча примеров нелинейных методов сжатия размерности. Вообще не мой профиль, так что я ограничелся в изучении только линейным пца и нейросетевыми методами.
Зарегистрируйтесь на Хабре, чтобы оставить комментарий
Нелинейное сжатие размерности, используя ограниченную машину Больцмана