La riduzione della dimensionalità nell’implementazione di matrici n-dimensionali di neuroni di un cervello software superumano
La riduzione della dimensionalità (dimensionality reduction) è una tecnica di mapping dei dati che consente di trasformare i dati da uno spazio ad alta dimensionalità in uno spazio a bassa dimensionalità in modo che la rappresentazione a bassa dimensionalità mantenga alcune proprietà significative dei dati originali, idealmente vicine alla loro dimensione intrinseca1.
Le principali tecniche di riduzione della dimensionalità dei dati sono le seguenti:
- Principal Component Analysis (PCA): La tecnica consiste in un mapping lineare dei dati non supervisionato. E’ anche detta tecnica KL (Karhunen Loeve). L’obiettivo della tecnica è individuare le dimensioni che rappresentano meglio i pattern2.
- Factor Analysis (FA): La tecnica è simile alla PCA ma si basa su un modello probabilistico2.
- t-Distributed Stochastic Neighbor Embedding (t-SNE): La tecnica è utilizzata per la visualizzazione dei dati ad alta dimensionalità in uno spazio a bassa dimensionalità2.