Estudo e Análise Comparativa das Técnicas de Redução de Dimensionalidade Lineares e não Lineares
Data
2018-12-06
Autores
Souza, Patrícia Aparecida 
Orientadores
Quiles, Marcos Gonçalves
Tipo
Trabalho de conclusão de curso
Título da Revista
ISSN da Revista
Título de Volume
Resumo
O trabalho proposto, tem como objetivo, o estudo dos principais métodos de redução de dimensionalidade não lineares e dois dos métodos de redução lineares mais amplamente
usados na literatura que são o Principal Components Analysis (PCA) e o Metric
Multidimensional Scaling (MDS). Serão discutidos os fundamentos matemáticos subjacentes
à cada um dos métodos e uma análise comparativa entre as técnicas será realizada
utilizando conjuntos de dados naturais e artificialmente gerados.
The proposed work aims to study the main nonlinear dimensional reduction methods and two of the most widely used linear reduction methods in the literature, PCA and MDS. The mathematical foundations underlying each method will be discussed and a comparative analysis between the techniques will be performed using both natural and artificially generated data sets. Among the non-linear dimensionality reduction methods will be approached Isomap, Maximum Variance Unfolding, Locally Linear Embedding, Hessian Locally Linear Embedding, Local Tangent Space Alignment, Diffusion Maps and Laplacian Eigenmaps.
The proposed work aims to study the main nonlinear dimensional reduction methods and two of the most widely used linear reduction methods in the literature, PCA and MDS. The mathematical foundations underlying each method will be discussed and a comparative analysis between the techniques will be performed using both natural and artificially generated data sets. Among the non-linear dimensionality reduction methods will be approached Isomap, Maximum Variance Unfolding, Locally Linear Embedding, Hessian Locally Linear Embedding, Local Tangent Space Alignment, Diffusion Maps and Laplacian Eigenmaps.
Descrição
Citação
Souza, Patrícia Aparecida. Estudo e Análise Comparativa das Técnicas de Redução de Dimensionalidade Lineares e não Lineares. Marcos Gonçalves Quiles.