TUTCRIS - Tampereen teknillinen yliopisto

TUTCRIS

Dimensionality reduction for data visualization

Tutkimustuotosvertaisarvioitu

Yksityiskohdat

AlkuperäiskieliEnglanti
Artikkeli5714379
Sivut100-104
Sivumäärä5
JulkaisuIEEE Signal Processing Magazine
Vuosikerta28
Numero2
DOI - pysyväislinkit
TilaJulkaistu - maaliskuuta 2011
OKM-julkaisutyyppiA1 Alkuperäisartikkeli

Tiivistelmä

Dimensionality reduction is one of the basic operations in the toolbox of data analysts and designers of machine learning and pattern recognition systems. Given a large set of measured variables but few observations, an obvious idea is to reduce the degrees of freedom in the measurements by representing them with a smaller set of more condensed variables. Another reason for reducing the dimensionality is to reduce computational load in further processing. A third reason is visualization.