Synopsis
Les progrès dans la collecte de données et les capacités de stockage ont conduit à une surcharge d'informations dans la plupart des sciences. Ces ensembles de données présentent de nouveaux défis dans l'analyse des données. Les méthodes statistiques traditionnelles se décomposent en partie à cause de l'augmentation du nombre d'observations, mais surtout à cause de l'augmentation du nombre de variables associées à chaque observation. La dimension des données est le nombre de variables mesurées sur chaque observation. L'un des problèmes des ensembles de données de grande dimension est que, dans de nombreux cas, toutes les variables mesurées ne sont pas « importantes » pour comprendre les phénomènes d'intérêt sous-jacents. Il est toujours intéressant dans de nombreuses applications de réduire la dimension des données d'origine avant toute modélisation des données. Le PCA est un moyen d'identifier les modèles dans les données, et de réexprimer les données de manière à mettre en évidence leurs similitudes et différences. Étant donné que les modèles dans les données peuvent être difficiles à trouver dans les données de grande dimension, l'ACP est un outil puissant pour analyser les données. L'autre avantage principal du PCA est qu'une fois que vous avez trouvé ces modèles dans les données, vous pouvez compresser les données en réduisant le nombre de dimensions, sans trop de perte d'informations.
Les informations fournies dans la section « Synopsis » peuvent faire référence à une autre édition de ce titre.
Résultats de recherche pour Effective Dimensionality Reduction in Pattern Recognition
Image fournie par le vendeur
Effective Dimensionality Reduction in Pattern Recognition
Edité par
LAP LAMBERT Academic Publishing Dez 2014, 2014
ISBN 10 : 3659619558
ISBN 13 : 9783659619557
Neuf
Taschenbuch
Vendeur : BuchWeltWeit Ludwig Meier e.K., Bergisch Gladbach, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. This item is printed on demand - it takes 3-4 days longer - Neuware -Advances in data collection and storage capabilities have led to an information overload in most sciences. Such datasets present new challenges in data analysis. Traditional statistical methods break down partly because of the increase in the number of observations, but mostly because of the increase in the number of variables associated with each observation. The dimension of the data is the number of variables that are measured on each observation. One of the problems with high-dimensional datasets is that, in many cases, not all the measured variables are 'important' for understanding the underlying phenomena of interest. It is still of interest in many applications to reduce the dimension of the original data prior to any modeling of the data.PCA is a way of identifying patterns in data, and re-expressing the data in such a way as to highlight their similarities and differences. Since patterns in data can be hard to find in data of high dimension, PCA is a powerful tool for analyzing data. The other main advantage of PCA is that once you have found these patterns in the data, you can compress the data by reducing the number of dimensions, without much loss of information. 160 pp. Englisch. N° de réf. du vendeur 9783659619557
Acheter neuf
EUR 71,90
Expédition à EUR 23
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 2 disponible(s)
Image fournie par le vendeur
Effective Dimensionality Reduction in Pattern Recognition
Edité par
LAP LAMBERT Academic Publishing, 2014
ISBN 10 : 3659619558
ISBN 13 : 9783659619557
Neuf
Couverture souple
Vendeur : moluna, Greven, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Etat : New. Dieser Artikel ist ein Print on Demand Artikel und wird nach Ihrer Bestellung fuer Sie gedruckt. Autor/Autorin: Patil ShobhaDr. Shobha Patil has obtained her PhD degree in computer Science and Engineering in 2014. She has 13 year of teaching experience in Information Science Department. She has published several international journal papersDr . N° de réf. du vendeur 5168832
Acheter neuf
EUR 58,12
Expédition à EUR 48,99
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : Plus de 20 disponibles
Image fournie par le vendeur
Effective Dimensionality Reduction in Pattern Recognition
Edité par
LAP LAMBERT Academic Publishing, 2015
ISBN 10 : 3659619558
ISBN 13 : 9783659619557
Neuf
Taschenbuch
Vendeur : preigu, Osnabrück, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. Effective Dimensionality Reduction in Pattern Recognition | Shobha Patil (u. a.) | Taschenbuch | 160 S. | Englisch | 2015 | LAP LAMBERT Academic Publishing | EAN 9783659619557 | Verantwortliche Person für die EU: preigu GmbH & Co. KG, Lengericher Landstr. 19, 49078 Osnabrück, mail[at]preigu[dot]de | Anbieter: preigu. N° de réf. du vendeur 104934046
Acheter neuf
EUR 60,95
Expédition à EUR 70
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 5 disponible(s)
Image fournie par le vendeur
Effective Dimensionality Reduction in Pattern Recognition
Edité par
LAP LAMBERT Academic Publishing Dez 2014, 2014
ISBN 10 : 3659619558
ISBN 13 : 9783659619557
Neuf
Taschenbuch
Vendeur : buchversandmimpf2000, Emtmannsberg, BAYE, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. This item is printed on demand - Print on Demand Titel. Neuware -Advances in data collection and storage capabilities have led to an information overload in most sciences. Such datasets present new challenges in data analysis. Traditional statistical methods break down partly because of the increase in the number of observations, but mostly because of the increase in the number of variables associated with each observation. The dimension of the data is the number of variables that are measured on each observation. One of the problems with high-dimensional datasets is that, in many cases, not all the measured variables are 'important' for understanding the underlying phenomena of interest. It is still of interest in many applications to reduce the dimension of the original data prior to any modeling of the data.PCA is a way of identifying patterns in data, and re-expressing the data in such a way as to highlight their similarities and differences. Since patterns in data can be hard to find in data of high dimension, PCA is a powerful tool for analyzing data. The other main advantage of PCA is that once you have found these patterns in the data, you can compress the data by reducing the number of dimensions, without much loss of information.VDM Verlag, Dudweiler Landstraße 99, 66123 Saarbrücken 160 pp. Englisch. N° de réf. du vendeur 9783659619557
Acheter neuf
EUR 71,90
Expédition à EUR 60
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 1 disponible(s)
Image fournie par le vendeur
Effective Dimensionality Reduction in Pattern Recognition
Edité par
LAP LAMBERT Academic Publishing, 2014
ISBN 10 : 3659619558
ISBN 13 : 9783659619557
Neuf
Taschenbuch
Vendeur : AHA-BUCH GmbH, Einbeck, Allemagne
Évaluation du vendeur 5 sur 5 étoiles
Taschenbuch. Etat : Neu. nach der Bestellung gedruckt Neuware - Printed after ordering - Advances in data collection and storage capabilities have led to an information overload in most sciences. Such datasets present new challenges in data analysis. Traditional statistical methods break down partly because of the increase in the number of observations, but mostly because of the increase in the number of variables associated with each observation. The dimension of the data is the number of variables that are measured on each observation. One of the problems with high-dimensional datasets is that, in many cases, not all the measured variables are 'important' for understanding the underlying phenomena of interest. It is still of interest in many applications to reduce the dimension of the original data prior to any modeling of the data.PCA is a way of identifying patterns in data, and re-expressing the data in such a way as to highlight their similarities and differences. Since patterns in data can be hard to find in data of high dimension, PCA is a powerful tool for analyzing data. The other main advantage of PCA is that once you have found these patterns in the data, you can compress the data by reducing the number of dimensions, without much loss of information. N° de réf. du vendeur 9783659619557
Acheter neuf
EUR 71,90
Expédition à EUR 61,28
Expédition depuis Allemagne vers Etats-Unis
Expédition depuis Allemagne vers Etats-Unis
Quantité disponible : 1 disponible(s)