ຜູ້ຂຽນ:  (1) Sergey Kucheryavskiy, ພາກວິຊາເຄມີສາດແລະຊີວະວິທະຍາ, ມະຫາວິທະຍາໄລ Aalborg ແລະຜູ້ຂຽນທີ່ສອດຄ້ອງກັນ (svk@bio.aau.dk);  (2) Sergei Zhilin, CSort, LLC., Germana Titova st. 7, Barnaul, 656023, Russia and contributing authors0 (szhilin@gmail.com).   ບັນທຶກຂອງບັນນາທິການ: ນີ້ແມ່ນພາກທີ 1 ຂອງ 4 ຂອງການສຶກສາທີ່ລາຍລະອຽດວິທີການໃຫມ່ສໍາລັບການເພີ່ມຈໍານວນແລະຊຸດຂໍ້ມູນປະສົມ. ອ່ານສ່ວນທີ່ເຫຼືອຂ້າງລຸ່ມນີ້.  ຕາຕະລາງການເຊື່ອມຕໍ່   Abstract ແລະ 1 ບົດແນະນໍາ   2 ວິທີການ  2.1 ການສ້າງຊຸດ PV ໂດຍອີງໃສ່ການເສື່ອມໂຊມຂອງຄ່າ Singular  2.2 ການສ້າງຊຸດ PV ໂດຍອີງໃສ່ການເສື່ອມໂຊມຂອງ PLS   3 ຜົນໄດ້ຮັບ  3.1 ຊຸດຂໍ້ມູນ  3.2 ການຖົດຖອຍ ANN ຂອງຂໍ້ມູນ Tecator  3.3 ການຈັດປະເພດ ANN ຂອງຂໍ້ມູນຫົວໃຈ   4 ການສົນທະນາ  5 ບົດສະຫຼຸບ ແລະເອກະສານອ້າງອີງ  ບົດຄັດຫຍໍ້  ໃນເອກະສານສະບັບນີ້, ພວກເຮົາສະເຫນີວິທີການໃຫມ່ສໍາລັບການຂະຫຍາຍຊຸດຂໍ້ມູນຕົວເລກແລະແບບປະສົມ. ວິທີການສ້າງຈຸດຂໍ້ມູນເພີ່ມເຕີມໂດຍການໃຊ້ resampling ການກວດສອບຂ້າມ ແລະການສ້າງແບບຈໍາລອງຕົວແປ latent. ມັນມີປະສິດທິພາບໂດຍສະເພາະສໍາລັບຊຸດຂໍ້ມູນທີ່ມີລະດັບປານກາງເຖິງສູງຂອງ collinearity, ຍ້ອນວ່າມັນໃຊ້ຄຸນສົມບັດນີ້ໂດຍກົງສໍາລັບການຜະລິດ. ວິທີການແມ່ນງ່າຍດາຍ, ໄວ, ແລະມີຕົວກໍານົດການຫນ້ອຍຫຼາຍ, ເຊິ່ງ, ດັ່ງທີ່ສະແດງຢູ່ໃນເຈ້ຍ, ບໍ່ຈໍາເປັນຕ້ອງມີການປັບແຕ່ງສະເພາະ. ມັນໄດ້ຖືກທົດສອບຢູ່ໃນຊຸດຂໍ້ມູນທີ່ແທ້ຈິງຫຼາຍ; ທີ່ນີ້, ພວກເຮົາລາຍງານຜົນໄດ້ຮັບລາຍລະອຽດສໍາລັບສອງກໍລະນີ, ການຄາດຄະເນຂອງທາດໂປຼຕີນໃນຊີ້ນ minced ໂດຍອີງໃສ່ spectra infrared ໃກ້ (ຂໍ້ມູນຕົວເລກເຕັມທີ່ມີລະດັບສູງຂອງ collinearity) ແລະການຈໍາແນກຂອງຄົນເຈັບທີ່ອ້າງອີງໃສ່ angiography coronary (ຂໍ້ມູນປະສົມ, ມີທັງຕົວເລກແລະຕົວແປປະເພດ, ແລະຄວາມສອດຄ່ອງປານກາງ). ໃນທັງສອງກໍລະນີ, ເຄືອຂ່າຍ neural ທຽມໄດ້ຖືກຈ້າງງານເພື່ອພັດທະນາການຖົດຖອຍແລະຮູບແບບການຈໍາແນກ. ຜົນໄດ້ຮັບສະແດງໃຫ້ເຫັນການປັບປຸງຢ່າງຈະແຈ້ງໃນການປະຕິບັດຂອງຕົວແບບ; ດັ່ງນັ້ນ, ສໍາລັບການຄາດຄະເນຂອງທາດໂປຼຕີນຈາກຊີ້ນ, ການປັບຕົວແບບໃຫ້ກັບຂໍ້ມູນທີ່ເພີ່ມຂຶ້ນເຮັດໃຫ້ການຫຼຸດລົງຂອງຄວາມຜິດພາດຂອງຮາກຫມາຍຄວາມວ່າສອງເທົ່າທີ່ຄິດໄລ່ສໍາລັບການທົດສອບເອກະລາດທີ່ກໍານົດໄວ້ໂດຍ 1.5 ຫາ 3 ເທື່ອ.    ​: ການ​ເພີ່ມ​ຂໍ້​ມູນ​, ເຄືອ​ຂ່າຍ​ປະ​ສາດ​ທຽມ​, Procrustes ການ​ກວດ​ສອບ​ຂ້າມ​, ຕົວ​ປ່ຽນ​ແປງ latent​, collinearity ຄໍາ​ສໍາ​ຄັນ  1 ບົດແນະນຳ  ວິທີການຮຽນຮູ້ເຄື່ອງຈັກທີ່ທັນສະໄຫມທີ່ອີງໃສ່ຕົວແບບທີ່ມີຄວາມຊັບຊ້ອນສູງ, ເຊັ່ນ: ເຄືອຂ່າຍ neural ທຽມ (ANN), ຕ້ອງການຂໍ້ມູນຈໍານວນຫຼວງຫຼາຍເພື່ອຝຶກອົບຮົມແລະປັບປຸງຕົວແບບ. ຂໍ້​ມູນ​ການ​ຝຶກ​ອົບ​ຮົມ​ບໍ່​ພຽງ​ພໍ​ມັກ​ຈະ​ນໍາ​ໄປ​ສູ່​ບັນ​ຫາ overfitting​, ເນື່ອງ​ຈາກ​ວ່າ​ຈໍາ​ນວນ​ຂອງ hyperparameters ຕົວ​ແບບ​ເພື່ອ​ປັບ​ແມ່ນ​ຫຼາຍ​ກ​່​ວາ​ຈໍາ​ນວນ​ຂອງ​ການ​ອິດ​ສະ​ລະ​ໃນ​ຊຸດ​ຂໍ້​ມູນ​.  ບັນຫາທົ່ວໄປອີກອັນຫນຶ່ງໃນກໍລະນີນີ້ແມ່ນການຂາດການແຜ່ພັນຍ້ອນວ່າຂັ້ນຕອນການຝຶກອົບຮົມ ANN ບໍ່ໄດ້ກໍານົດ, ເນື່ອງຈາກການຄັດເລືອກແບບສຸ່ມຂອງຕົວກໍານົດການຂອງຕົວແບບເບື້ອງຕົ້ນແລະລັກສະນະ stochastic ຂອງການເພີ່ມປະສິດທິພາບຂອງພວກເຂົາ. ດັ່ງນັ້ນ, ມັນບໍ່ເຄີຍນໍາໄປສູ່ຕົວແບບທີ່ມີຕົວກໍານົດການແລະການປະຕິບັດດຽວກັນ, ເນື່ອງຈາກວ່າການທົດລອງການຝຶກອົບຮົມທີ່ແຕກຕ່າງກັນສາມາດສົ່ງຜົນໃຫ້ຕົວແບບທີ່ແຕກຕ່າງກັນ. ການປ່ຽນແປງນີ້ຈະກາຍເປັນຂະຫນາດໃຫຍ່ຖ້າຊຸດຝຶກອົບຮົມນ້ອຍເກີນໄປ.  ບັນຫານີ້ແມ່ນຮີບດ່ວນໂດຍສະເພາະໃນກໍລະນີຂອງການປັບຂໍ້ມູນໃນການທົດລອງ, ຍ້ອນວ່າມັນມັກຈະມີລາຄາແພງແລະໃຊ້ເວລາຫຼາຍໃນການທົດລອງທົດລອງຫຼາຍ, ເຮັດໃຫ້ມັນເປັນໄປບໍ່ໄດ້ທີ່ຈະເກັບກໍາຫຼາຍພັນການວັດແທກທີ່ຈໍາເປັນສໍາລັບການຝຶກອົບຮົມທີ່ເຫມາະສົມແລະການເພີ່ມປະສິດທິພາບ. ມັນຍັງສາມາດມີອຸປະສັກອື່ນໆ, ເຊັ່ນ: ເອກະສານທີ່ກ່ຽວຂ້ອງກັບການອະນຸຍາດໃນການຄົ້ນຄວ້າທາງການແພດ.  ວິທີຫນຶ່ງທີ່ຈະເອົາຊະນະບັນຫາຂອງຂໍ້ມູນການຝຶກອົບຮົມບໍ່ພຽງພໍແມ່ນການຂະຫຍາຍມັນທຽມໂດຍການຈໍາລອງຈຸດຂໍ້ມູນໃຫມ່ຫຼືການດັດແປງຂະຫນາດນ້ອຍໃຫ້ກັບຂໍ້ມູນທີ່ມີຢູ່. ເຕັກນິກນີ້ມັກຈະເອີ້ນວ່າ "ການເພີ່ມຂໍ້ມູນ". ການຂະຫຍາຍຂໍ້ມູນໄດ້ພິສູດໃຫ້ເຫັນວ່າມີປະສິດທິພາບໂດຍສະເພາະໃນການວິເຄາະຮູບພາບແລະການຈັດປະເພດ, ໂດຍມີການຄົ້ນຄວ້າຂະຫນາດໃຫຍ່ທີ່ລາຍງານທັງສອງວິທີການເພີ່ມຄວາມຫລາກຫລາຍ [1] [2], [3] ແລະວິທີການທີ່ມີປະສິດທິພາບໂດຍສະເພາະສໍາລັບກໍລະນີສະເພາະ [4] [5] . ວິທີການຂະຫຍາຍຂໍ້ມູນຊຸດເວລາຍັງພັດທະນາຂ້ອນຂ້າງດີ [6].  ຢ່າງໃດກໍ່ຕາມ, ມີການຂາດວິທີການທີ່ມີປະສິດທິພາບທີ່ສາມາດສະຫນອງການເພີ່ມຂໍ້ມູນທີ່ເຫມາະສົມສໍາລັບຊຸດຂໍ້ມູນຕົວເລກທີ່ມີລະດັບປານກາງເຖິງສູງຂອງ collinearity. ຊຸດຂໍ້ມູນດັ່ງກ່າວແມ່ນແຜ່ຂະຫຍາຍຢ່າງກວ້າງຂວາງໃນການຄົ້ນຄວ້າທົດລອງ, ລວມທັງປະເພດຕ່າງໆຂອງຂໍ້ມູນ spectroscopic, ຜົນໄດ້ຮັບຂອງການຈັດລໍາດັບ genome (ຕົວຢ່າງ, 16S RNA), ແລະອື່ນໆຈໍານວນຫຼາຍ. ຊຸດຂໍ້ມູນຕາຕະລາງຈໍານວນຫຼາຍຍັງສະແດງໂຄງສ້າງພາຍໃນທີ່ຕົວແປຕ່າງໆມີຄວາມກ່ຽວຂ້ອງກັນ. ວິທີການທີ່ມີຢູ່ໃນປັດຈຸບັນສໍາລັບການຂະຫຍາຍຂໍ້ມູນດັ່ງກ່າວສ່ວນຫຼາຍແມ່ນອີງໃສ່ການເພີ່ມຮູບແບບຕ່າງໆຂອງສິ່ງລົບກວນ [7] ກັບການວັດແທກທີ່ມີຢູ່, ເຊິ່ງບໍ່ພຽງພໍສະເຫມີ. ຍັງມີວິທີການທີ່ໂດດເດັ່ນທີ່ນໍາໃຊ້ຕົວປ່ຽນລະຫັດອັດຕະໂນມັດທີ່ມີການປ່ຽນແປງໂດຍການເກັບຕົວຢ່າງແບບສຸ່ມຈາກພື້ນທີ່ຕົວແປ latent ຂອງເຂົາເຈົ້າ [8], ຫຼືວິທີການທີ່ອີງໃສ່ເຄືອຂ່າຍ adversarial generative [4]. ຂໍ້ເສຍແມ່ນວ່າທັງສອງວິທີການຮຽກຮ້ອງໃຫ້ມີການສ້າງແລະປັບຕົວແບບເຄືອຂ່າຍ neural ສະເພາະສໍາລັບການຂະຫຍາຍຂໍ້ມູນແລະດັ່ງນັ້ນຈຶ່ງຕ້ອງການຂະບວນການເພີ່ມປະສິດທິພາບທີ່ຕ້ອງການຢ່າງລະອຽດແລະຊັບພະຍາກອນແລະຊຸດຝຶກອົບຮົມເບື້ອງຕົ້ນທີ່ຂ້ອນຂ້າງໃຫຍ່.  ໃນເອກະສານສະບັບນີ້, ພວກເຮົາສະເຫນີວິທີການງ່າຍດາຍ, ໄວ, ຫລາກຫລາຍ, ແຕ່ມີປະສິດທິພາບສໍາລັບການເພີ່ມຊຸດຂໍ້ມູນຕົວເລກແລະແບບປະສົມ. ວິທີການແມ່ນອີງໃສ່ວິທີການທີ່ຖືກພັດທະນາໃນເບື້ອງຕົ້ນເພື່ອຈຸດປະສົງອື່ນໆ, ໂດຍສະເພາະສໍາລັບການສ້າງຊຸດການກວດສອບ, ແລະດັ່ງນັ້ນຈິ່ງເອີ້ນວ່າ Procrustes cross-validation [9] [10]. ຢ່າງໃດກໍຕາມ, ດັ່ງທີ່ໄດ້ສະແດງໃຫ້ເຫັນໃນເອກະສານສະບັບນີ້, ມັນແກ້ໄຂບັນຫາການເພີ່ມຂໍ້ມູນຢ່າງມີປະສິດທິພາບ, ເຮັດໃຫ້ມີຕົວແບບທີ່ມີການປັບປຸງການຄາດຄະເນຫຼືການຈັດປະເພດ.  ວິທີການຂອງພວກເຮົາໂດຍກົງ leverages collinearity ໃນຂັ້ນຕອນການຜະລິດ. ມັນເຫມາະສົມກັບຂໍ້ມູນການຝຶກອົບຮົມທີ່ມີຊຸດຂອງຕົວແປ latent ແລະຫຼັງຈາກນັ້ນຈ້າງ resampling ການກວດສອບຂ້າມເພື່ອວັດແທກການປ່ຽນແປງໃນທິດທາງຂອງຕົວແປ. ການປ່ຽນແປງນີ້ໄດ້ຖືກນໍາສະເຫນີຫຼັງຈາກນັ້ນຊຸດການຝຶກອົບຮົມເປັນຄວາມຜິດພາດຂອງຕົວຢ່າງ, ເຊິ່ງກໍ່ໃຫ້ເກີດຊຸດຂໍ້ມູນໃຫມ່.  ສາມາດນຳໃຊ້ສອງຕົວແບບທີ່ເໝາະສົມໄດ້ — ການເສື່ອມຕົວຂອງຄ່າທີ່ເປັນເອກກະລັກ (SVD) ແລະການເສື່ອມໂຊມຂອງຮູບສີ່ຫຼ່ຽມມົນນ້ອຍບາງສ່ວນ (PLS). ທາງເລືອກຂອງຮູບແບບທີ່ເຫມາະສົມຊ່ວຍໃຫ້ຜູ້ໃຊ້ຈັດລໍາດັບຄວາມສໍາຄັນສ່ວນຫນຶ່ງຂອງໂຄງສ້າງຂອງຄູ່, ເຊິ່ງຈະຖືກນໍາໄປໃຊ້ໃນການຜະລິດຂໍ້ມູນໃຫມ່.  ທັງສອງຕົວແບບທີ່ເໝາະສົມມີສອງພາລາມິເຕີ — ຈຳນວນຕົວແປທີ່ແຝງ ແລະຈຳນວນຂອງພາກສ່ວນທີ່ໃຊ້ສຳລັບການເກັບຕົວຢ່າງການກວດສອບຄືນໃໝ່. ການທົດລອງສະແດງໃຫ້ເຫັນວ່າຕົວກໍານົດການບໍ່ຈໍາເປັນຕ້ອງມີການປັບສະເພາະ. ຈໍານວນຕົວແປ latent ໃດໆທີ່ມີຂະຫນາດໃຫຍ່ພຽງພໍທີ່ຈະເກັບກໍາການປ່ຽນແປງລະບົບຂອງຄ່າຊຸດການຝຶກອົບຮົມໃຫ້ບໍລິການເທົ່າທຽມກັນ. ເຊັ່ນດຽວກັນກັບຈໍານວນຂອງພາກສ່ວນໃດທີ່ເລີ່ມຕົ້ນຈາກສາມ.  ວິທີການທີ່ສະເຫນີແມ່ນມີຄວາມຫລາກຫລາຍແລະສາມາດນໍາໃຊ້ໄດ້ກັບຂໍ້ມູນຕົວເລກທັງຫມົດເຊັ່ນດຽວກັນກັບຂໍ້ມູນຕາຕະລາງທີ່ຫນຶ່ງຫຼືຫຼາຍຕົວແປມີຄຸນນະພາບ. ນີ້ເປີດທັດສະນະອື່ນ, ຄືການຈໍາແນກຂໍ້ມູນ, ເຊິ່ງສາມາດເປັນປະໂຫຍດ, ຕົວຢ່າງ, ສໍາລັບການທົດສອບລະບົບຊອບແວທີ່ໂຫລດສູງ, ເຖິງແມ່ນວ່າພວກເຮົາບໍ່ໄດ້ພິຈາລະນາລັກສະນະນີ້ຢູ່ທີ່ນີ້.  ເອກະສານອະທິບາຍເຖິງພື້ນຖານທິດສະດີຂອງວິທີການ ແລະສະແດງໃຫ້ເຫັນເຖິງການປະຕິບັດຕົວຈິງ ແລະການປະຕິບັດຂອງມັນໂດຍອີງໃສ່ສອງຊຸດຂໍ້ມູນທີ່ມີລັກສະນະທີ່ແຕກຕ່າງກັນ. ມັນສະຫນອງລາຍລະອຽດທີ່ສົມບູນແບບກ່ຽວກັບວິທີການສາມາດນໍາໃຊ້ຢ່າງມີປະສິດທິພາບກັບຊຸດຂໍ້ມູນທີ່ມີຄວາມຫຼາກຫຼາຍໃນສະຖານະການທີ່ແທ້ຈິງ.  ພວກເຮົາໄດ້ປະຕິບັດວິທີການໃນຫລາຍພາສາການຂຽນໂປລແກລມ, ລວມທັງ Python, R, MATLAB, ແລະ JavaScript, ແລະການປະຕິບັດທັງຫມົດແມ່ນມີຢູ່ໃນບ່ອນເກັບມ້ຽນ GitHub (https://github.com/svkucheryavski/pcv). ນອກຈາກນັ້ນ, ພວກເຮົາສະຫນອງສະບັບອອນໄລນ໌ທີ່ຫນຶ່ງສາມາດສ້າງຈຸດຂໍ້ມູນໃຫມ່ໂດຍກົງໃນຕົວທ່ອງເວັບ (https://mda.tools/pcv).  ເອກະສານນີ້   ພາຍໃຕ້ໃບອະນຸຍາດ CC BY 4.0 DEED. ມີຢູ່ໃນ arxiv

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Procrustes (dot tech)

Procrustes' method aligns and adjusts, making data conform, with precision and control, in the realm of math and shape.

procrustes's blog

ສຽງນີ້ຖືກຜະລິດເປັນພາສາຕົ້ນສະບັບຂອງເລື່ອງ!

ນັກຄົ້ນຄວ້າແນະ ນຳ Trick ຄະນິດສາດທີ່ສະຫລາດເພື່ອເພີ່ມຊຸດຂໍ້ມູນນ້ອຍໆໂດຍບໍ່ຕ້ອງຂົ້ວ GPU ຂອງທ່ານ

About Author

ຄຳເຫັນ

ວາງປ້າຍ

ບົດຄວາມນີ້ໄດ້ຖືກນໍາສະເຫນີໃນ

Related Stories

Design Shifts at HackerNoon: Streamlined Top Nav, Quick Search and Settings Dashboard 🚀

How to Mint Your Name.HackerNoon Web3 Identity Namespace

New Year, New Exciting Features: Mint Your Name, Watch Web 2.5 and Meet The Top Startups of The Year

Your Most Frequently Asked HackerNoon Questions, answered by a Shakespearean Bot

Design Shifts at HackerNoon: Streamlined Top Nav, Quick Search and Settings Dashboard 🚀

How to Mint Your Name.HackerNoon Web3 Identity Namespace

New Year, New Exciting Features: Mint Your Name, Watch Web 2.5 and Meet The Top Startups of The Year

Your Most Frequently Asked HackerNoon Questions, answered by a Shakespearean Bot

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps