Giảm Chiều Dữ Liệu với Python

Trong chương đầu tiên trong hai chương về chọn đặc trưng, bạn sẽ tìm hiểu về “lời nguyền chiều dữ liệu” và cách giảm chiều giúp bạn vượt qua vấn đề này. Bạn sẽ được giới thiệu nhiều kỹ thuật để phát hiện và loại bỏ các đặc trưng mang lại ít giá trị gia tăng cho bộ dữ liệu, hoặc vì chúng có độ biến thiên thấp, quá nhiều giá trị khuyết, hoặc tương quan mạnh với các đặc trưng khác.

Trong chương thứ hai về chọn đặc trưng, bạn sẽ học cách để các mô hình giúp bạn tìm ra những đặc trưng quan trọng nhất trong một bộ dữ liệu nhằm dự đoán một biến mục tiêu cụ thể. Ở bài học cuối của chương, bạn sẽ kết hợp gợi ý từ nhiều mô hình khác nhau để quyết định những đặc trưng nào đáng giữ lại.

Chương này đi sâu vào thuật toán giảm chiều được dùng phổ biến nhất, Principal Component Analysis (PCA). Bạn sẽ xây dựng trực giác về cách thức và lý do thuật toán này lại mạnh mẽ, và sẽ áp dụng nó cho cả khám phá dữ liệu lẫn tiền xử lý dữ liệu trong một pipeline mô hình. Bạn sẽ kết thúc với một ví dụ thú vị về nén ảnh.