Dimensionsreduktion

Dimensionsreduktions-Algorithmen sind Techniken im Bereich des maschinellen Lernens, die darauf abzielen, die Anzahl der Merkmale oder Dimensionen in einem Datensatz zu reduzieren. Ihr Ziel ist es, die Komplexität der Daten zu verringern, ohne dabei signifikante Informationen zu verlieren. In diesem Kapitel werden beispielhaft die Ansätze Principal Component Analysis (PCA) und t-Distributed Stochastic Neighbor Embedding (t-SNE) vorgestellt.