2.6
Pengurangan Dimensi
Ringkasan
- Bab ini membahas metode reduksi dimensi untuk merangkum data berdimensi tinggi tanpa kehilangan struktur penting.
- Anda akan membandingkan metode linear (PCA, SVD, LDA) dan nonlinier (t-SNE, Isomap, Kernel PCA).
- Setelah bab ini, Anda dapat memilih teknik untuk visualisasi, denoising, dan praproses model lanjutan.
Intuisi #
Reduksi dimensi berarti menjaga geometri yang relevan untuk tujuan analisis: varian global, pemisahan kelas, atau kedekatan lokal.
Penjelasan Rinci #
Cakupan Bab Ini #
- metode reduksi linear seperti PCA dan SVD
- proyeksi terawasi dengan LDA serta metode manifold non-linear
- kriteria praktis memilih dimensi target dan memvalidasi retensi informasi
Kemampuan Setelah Mempelajari Bab Ini #
- mengurangi dimensi fitur sambil mempertahankan struktur prediktif penting
- membandingkan proyeksi linear vs non-linear sesuai tujuan analisis
- mengintegrasikan reduksi dimensi ke alur training dan evaluasi model