数据的Borel同构降维与监督学习
机器学习
2013-08-01 v1
摘要
在本项目中，我们进一步研究了使用Borel同构降低数据集维数的想法，目的是随后应用监督学习算法，正如我的导师V. Pestov最初建议的（2011年Dagstuhl预印本）。任何一致的 learning 算法，例如kNN，在应用Borel同构后仍保持通用一致性。提供了一系列具体的Borel同构示例，这些示例在应用降维Borel同构之前通过将数据乘以正交矩阵来减少数据集中的维数。我们在低维空间中用各种数据集测试了所得分类器的准确性。使用一个维度为256、有5个类别（音素）的音素语音识别数据集，我们表明Borel同构降维到16维导致准确率下降极小。最后，我们讨论了该方法的进一步前景。
引用
@article{arxiv.1307.8333,
title = {Borel Isomorphic Dimensionality Reduction of Data and Supervised Learning},
author = {Stan Hatko},
journal= {arXiv preprint arXiv:1307.8333},
year = {2013}
}
备注
Winter 2013 Honours research project done under the supervision of Dr. Vladimir Pestov at the University of Ottawa; 45 pages