Вивчайте Високовимірні Дані та Прокляття Розмірності

Високовимірні дані мають багато ознак або стовпців. З додаванням нових вимірів точки даних розташовуються все далі одна від одної, і простір стає дедалі порожнішим. Це ускладнює пошук закономірностей, оскільки відстані між точками втрачають зміст. Це явище називається прокляттям розмірності — складність аналізу даних із занадто великою кількістю ознак.


              1234567891011121314151617181920212223242526272829
            
import numpy as np
import matplotlib.pyplot as plt

# Generate random points in 2D
np.random.seed(0)
points_2d = np.random.rand(100, 2)

# Generate random points in 3D
points_3d = np.random.rand(100, 3)

fig = plt.figure(figsize=(12, 5))

# Plot 2D points
ax1 = fig.add_subplot(1, 2, 1)
ax1.scatter(points_2d[:, 0], points_2d[:, 1], color='blue', alpha=0.6)
ax1.set_title('100 Random Points in 2D')
ax1.set_xlabel('X')
ax1.set_ylabel('Y')

# Plot 3D points
ax2 = fig.add_subplot(1, 2, 2, projection='3d')
ax2.scatter(points_3d[:, 0], points_3d[:, 1], points_3d[:, 2], color='red', alpha=0.6)
ax2.set_title('100 Random Points in 3D')
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
ax2.set_zlabel('Z')

plt.tight_layout()
plt.show()

Яке твердження найкраще описує прокляття розмірності у контексті високовимірних наборів даних

Select the correct answer

Високовимірні дані завжди покращують якість кластеризації.

Відстані між точками стають більш інформативними зі збільшенням кількості вимірів.

Зі збільшенням кількості ознак точки даних розташовуються далі одна від одної, і аналіз стає складнішим.

Додавання більшої кількості ознак завжди полегшує пошук закономірностей у даних.

Все було зрозуміло?

Дякуємо за ваш відгук!

Секція 1. Розділ 2

Запитати АІ

Запитайте про що завгодно або спробуйте одне із запропонованих запитань, щоб почати наш чат

Awesome!

Completion rate improved to 8.33

Свайпніть щоб показати меню


              1234567891011121314151617181920212223242526272829
            
import numpy as np
import matplotlib.pyplot as plt

# Generate random points in 2D
np.random.seed(0)
points_2d = np.random.rand(100, 2)

# Generate random points in 3D
points_3d = np.random.rand(100, 3)

fig = plt.figure(figsize=(12, 5))

# Plot 2D points
ax1 = fig.add_subplot(1, 2, 1)
ax1.scatter(points_2d[:, 0], points_2d[:, 1], color='blue', alpha=0.6)
ax1.set_title('100 Random Points in 2D')
ax1.set_xlabel('X')
ax1.set_ylabel('Y')

# Plot 3D points
ax2 = fig.add_subplot(1, 2, 2, projection='3d')
ax2.scatter(points_3d[:, 0], points_3d[:, 1], points_3d[:, 2], color='red', alpha=0.6)
ax2.set_title('100 Random Points in 3D')
ax2.set_xlabel('X')
ax2.set_ylabel('Y')
ax2.set_zlabel('Z')

plt.tight_layout()
plt.show()