مروری بر تکنیک های کاهش ابعاد برای محاسبه کارآمد

کاهش ابعاد DR مرحله پیش پردازش برای حذف ویژگی های زائد ، داده های پر سر و صدا و بی ربط به منظور بهبود دقت ویژگی یادگیری و کاهش زمان آموزش است. تکنیک های کاهش ابعاد با استفاده از روش انتخاب و استخراج ویژگی ارائه و پیاده سازی شده اند. تجزیه و تحلیل مولفه های اصلی PCA یکی از تکنیک های کاهش ابعاد است که باعث کاهش زمان محاسبه برای فرایند یادگیری می شود. در این مقاله بیشترین تکنیک های استخراج ویژگی مانند PCA ،EMD روش های انتخاب ویژگی مانند همبستگی LDA، انتخاب رو به جلو بر اساس عملکرد و دقت بالا مورد تجزیه و تحلیل قرار گرفته است. این تکنیک ها در شبکه عصبی عمیق برای تشخیص تصویر پزشکی بسیار کاربرد دارند و برای بهبود دقت طبقه بندی استفاده می شوند

Keywords:

کاهش ابعاد , انتخاب ویژگی , استخراج ویژگی , کاهش ویژگی , الگوریتم های انتخاب و استخراج ویژگی