The importance of dimension reducti

The importance of dimension reduction has been increasing according to the growth of
the size of available data in many fields. An appropriate dimension reduction method
of raw data helps to reduce computational time and to expose the intrinsic structure
of complex data. Sliced inverse regression is a well-known dimension reduction method
for regression, which assumes an elliptical distribution for the explanatory variable, and
ingeniously reduces the problem of dimension reduction to a simple eigenvalue problem.
Sliced inverse regression is based on the strong assumptions on the data distribution and
the form of regression function, and there are a number of methods to relax or remove
these assumptions to extend the applicability of the inverse regression method. However,
each method is known to have its drawbacks either theoretically or empirically. To alleviate
drawbacks in the existing methods, a dimension reduction method for regression based on
the notion of conditional entropy minimization is proposed. Using entropy as a measure
of dispersion of data, a low dimensional subspace is estimated without assuming any
specific distribution nor any regression function. The proposed method is shown to perform
comparable or superior to the conventional methods through experiments using artificial
and real-world datasets.

ผลลัพธ์ (ไทย) 1:

ความสำคัญของการลดขนาดได้เพิ่มขึ้นตามการเติบโตของขนาดของข้อมูลในเขตข้อมูลมาก วิธีการลดขนาดที่เหมาะสมของข้อมูลดิบช่วยลดเวลาในการคำนวณ และแสดงโครงสร้าง intrinsicของข้อมูลที่ซับซ้อน ถดถอยผกผันหั่นบาง ๆ เป็นวิธีการลดขนาดห้องพักการถดถอย ซึ่งถือว่าการกระจายตัวแปรอธิบายรี และช่วยลดปัญหาลดมิติปัญหา eigenvalue อย่างอำพรางคดีได้อย่างถดถอยผกผันหั่นบาง ๆ เป็นไปตามสมมติฐานที่แข็งแกร่งในการกระจายข้อมูล และรูปแบบของฟังก์ชันถดถอย และมีวิธีการผ่อนคลาย หรือเอาออกสมมติฐานเหล่านี้เพื่อขยายความเกี่ยวข้องของวิธีถดถอยผกผัน อย่างไรก็ตามเป็นที่รู้จักแต่ละวิธีจะมีข้อเสียของมันตามหลักวิชา หรือ empirically เพื่อบรรเทาข้อเสียในวิธีการที่มีอยู่ วิธีการลดขนาดการถดถอยตามมีเสนอแนวคิดของเอนโทรปีเงื่อนไขลดภาระ ใช้เอนโทรปีเป็นวัดของการกระจายตัวของข้อมูล คาด subspace มิติที่ต่ำ โดยสมมติใด ๆการกระจายหรือฟังก์ชันใด ๆ ถดถอย วิธีการนำเสนอจะแสดงการเทียบเท่า หรือเหนือกว่าวิธีธรรมดาผ่านการทดลองใช้ประดิษฐ์และ datasets จริง

ผลลัพธ์ (ไทย) 2:

ความสำคัญของการลดมิติได้เพิ่มขึ้นตามการเติบโตของ
ขนาดของข้อมูลที่มีอยู่ในหลายสาขา วิธีการลดมิติที่เหมาะสม
ของข้อมูลดิบที่จะช่วยลดเวลาในการคำนวณและเผยให้เห็นโครงสร้างภายใน
ของข้อมูลที่ซับซ้อน การถดถอยผกผันหั่นเป็นวิธีการลดมิติที่รู้จักกันดี
สำหรับการถดถอยซึ่งถือว่าการกระจายรูปไข่สำหรับตัวแปรอธิบายและ
ชาญฉลาดจะช่วยลดปัญหาที่เกิดจากการลดลงของมิติที่จะเป็นปัญหา eigenvalue ง่าย.
ถดถอยผกผันหั่นอยู่บนพื้นฐานของสมมติฐานที่แข็งแกร่งในข้อมูล การจัดจำหน่ายและ
รูปแบบของฟังก์ชั่นการถดถอยและมีหลายวิธีที่จะผ่อนคลายหรือลบ
สมมติฐานเหล่านี้ที่จะขยายการบังคับใช้ของวิธีการถดถอยผกผัน อย่างไรก็ตาม
แต่ละวิธีเป็นที่รู้จักกันจะมีข้อเสียของมันทั้งในทางทฤษฎีหรือสังเกตุ เพื่อบรรเทา
ข้อบกพร่องในวิธีการที่มีอยู่วิธีการลดมิติสำหรับการถดถอยขึ้นอยู่กับ
ความคิดของการลดเอนโทรปีตามเงื่อนไขที่มีการเสนอ เอนโทรปีใช้เป็นตัวชี้วัด
ของการกระจายของข้อมูลสเปซมิติต่ำเป็นที่คาดกันโดยไม่ต้องสมมติใด ๆ
หรือการจัดจำหน่ายเฉพาะฟังก์ชั่นการถดถอยใด ๆ วิธีที่เสนอก็แสดงให้เห็นในการดำเนินการ
เทียบเคียงหรือดีกว่าวิธีการเดิมที่ผ่านการทดลองใช้เทียม
ชุดข้อมูลและโลกแห่งความจริง

ผลลัพธ์ (ไทย) 3:

ความสำคัญของการลดมิติได้เพิ่มขึ้นตามการเจริญเติบโตของ
ขนาดของข้อมูลในด้านต่างๆ การกำหนดมิติวิธีลด
ข้อมูลดิบ ช่วยลดเวลาการคำนวณและการเปิดเผยโครงสร้างภายใน
ข้อมูลที่ซับซ้อน ตรงกันข้ามการถดถอยคือซอยที่รู้จักกันดีมิติวิธีลด
สำหรับการถดถอยซึ่งถือว่าเป็นการกระจายคลื่นสำหรับตัวแปรที่อธิบายและ
อย่างล้ำลึกช่วยลดปัญหาของมิติการลดปัญหาค่าง่าย ตรงกันข้ามการถดถอย
หั่นตามสมมติฐานที่แข็งแกร่งในการกระจายข้อมูลและ
รูปแบบของฟังก์ชันการถดถอย และมีจำนวนของวิธีการที่จะผ่อนคลายหรือลบออก
สมมติฐานเหล่านี้จะขยายการประยุกต์ใช้วิธีการถดถอยผกผัน อย่างไรก็ตาม
แต่ละวิธีที่รู้จักกันมีข้อเสียของมันเหมือนกันทุกคนหรือใช้ . เพื่อบรรเทา
ข้อเสียในวิธีการเดิมที่ใช้วิธีลดขนาดการถดถอยตาม
ความคิดเงื่อนไขของเอนโทรปีคือการเสนอ ใช้เอนโทรปีเป็นวัด
การกระจายของข้อมูลได้มีมิติต่ำคือประมาณโดยสมมติใด ๆหรือการกระจาย
เฉพาะฟังก์ชัน วิธีการแสดงแสดง
เทียบเท่าหรือเหนือกว่าวิธีการปกติ ผ่านการทดลองใช้และประดิษฐ์
ข้อมูลที่เป็นจริง