На этом шаге мы перечислим наиболее часто используемые алгоритмы.
Как мы уже говорили ранее, преобразование данных с помощью неконтролируемого обучения может быть обусловлено многими причинами. Наиболее распространенные причины - визуализация, сжатие данных, а также поиск такого представления данных, которое даст больше информации в ходе дальнейшей обработки.
Одним из самых простых и наиболее широко используемых алгоритмов контролируемого обучения является анализ главных компонент (principal component analysis, PCA). Кроме того, мы рассмотрим еще два алгоритма:
- факторизацию неотрицательных матриц (non-negative matrix factorization, NMF), которая обычно используется для выделения признаков, и
- стохастическое вложение соседей с распределением Стьюдента (t-distributed stochastic neighbor embedding, t-SNE), которое обычно используется для визуализации с использованием двумерных диаграмм рассеяния.
На следующем шаге мы рассмотрим алгоритм анализа главных компонент (РСА).
