Treść książki
Przejdź do opcji czytnikaPrzejdź do nawigacjiPrzejdź do informacjiPrzejdź do stopki
Rozdział2
Przetwarzaniewielowymiarowychdanych
iredukcjawymiaru
Bardzowielowymiarowedane,strumieniedanychczasowychiprzestrzen-
nychsąjednymzgłównychwyzwaństojącychprzedtymi,którzynapodstawie
tychdanychchcąpodejmowaćróżnegorodzajudecyzje[59],[122],[139],[298],
[299].
Zazwyczajdanezgromadzonewbadaniachprzedstawianesąwpostacima-
cierzy,przyczymnajczęściejposzczególnekolumnyzawierająwartościkon-
kretnejzmiennej(cechyobserwowanegoobiektulubprocesu),natomiastwier-
szegromadząwszystkiepomiaryzwiązanezkonkretnąobserwacją(obiektem,
momentemczasuitp.)Rozmiarytychdanychmogąbyćnaprawdęogromne.
Przykładytakichdanychtoprzebiegiczasowemonitorująceprocesprzemy-
słowy,czyteżeksperymentbadawczy,wktórymdanepochodzącezwieluczuj-
nikówpomiarowychrejestrowanesązdużączęstotliwościąpomiarową.Liczbę
czujnikówutożsamiamyzliczbązmiennych,apomiarypobranezewszystkich
czujnikówwdanymmomencieczasowym-zpojedyncząobserwacją[266].Inne
przykładytegotypudanychtomacierzerejestrującezawartośćdokumentów
napodstawiesłówkluczowychiczęstościichwystępowania,danefinansowe
czyteżbadaniakonsumenckie[95].
Winnychprzypadkachcały,częstowielowymiarowy,szeregczasowytrak-
towanyjestjakopojedynczaobserwacja.Wfunkcjonalnejanaliziedanych[256]
wymiarproblemuzależyodczęstościpróbkowaniarejestrowanychprzebiegów
(nawetjeśliwteoriijesttraktowanyjakonieskończeniewymiarowy)inaogół
liczbaobserwacjijestznaczniemniejszaodwymiaruzadania.Podobnasytu-
acjawystępujewbadaniachekspresjigenówianaliziemikromacierzy[332].
Bazydanychzawierająceobrazysątakżeprzykładamiproblemówobardzo
dużymwymiarze,szczególniewprzypadkuobrazówowysokiejrozdzielczości,
filmówwideo.Nowetechnikiobrazowaniaopartenapełnymspektrumczęsto-
tliwości,anietylkonabazietrzechpodstawowychkolorówpowodują,żekażdy
obrazjestopisanyprzezdziesiątki,aczasemnawettysiąceobrazówspektral-
